903 Arbeiten
Die Computergestützte Physik verbindet die Gesetze der Natur mit der Rechenkraft moderner Computer, um komplexe Phänomene zu simulieren, die im Labor schwer zu beobachten sind. Von der Strömungsdynamik bis zur Quantenmechanik nutzen Forscher hier Algorithmen, um tiefe Einblicke in das Verhalten von Materie und Energie zu gewinnen.
Auf Gist.Science durchsuchen wir täglich die neuesten Vorabveröffentlichungen auf arXiv in diesem Bereich. Für jedes neu eingereichte Papier erstellen wir sowohl eine verständliche Zusammenfassung für ein breites Publikum als auch eine detaillierte technische Analyse, damit die neuesten Durchbrüche für alle zugänglich sind.
Hier finden Sie die aktuellsten Forschungsarbeiten aus dem Feld der computergestützten Physik, die wir für Sie aufbereitet haben.
Dieser Beitrag stellt Neural-ISAM vor, eine hybride In-situ-Machine-Learning-Methode, die ausgedünnte Bereiche adaptiver Tabellierungsdatenbanken dynamisch durch trainierte neuronale Netze ersetzt, um den Speicherbedarf bei gleichzeitiger Wahrung der Genauigkeit in Large-Eddy-Simulationen komplexer turbulenter Flammen erheblich zu reduzieren.
jNO ist eine einheitliche, JAX-native Bibliothek, die das Training von neuronalen Operatoren und Fundamentmodellen durch die Integration datengesteuerter und physikinformierter Ansätze in ein einziges symbolisches Tracing-System optimiert und nahtlose Übergänge zwischen Operatorregression, meshbewusster Residuenauswertung und PDE-gesteuerter Optimierung ohne Umstrukturierung des Codes ermöglicht.
Dieser Beitrag führt die stochastische Tensor-Kontraktion als hocheffiziente rechnerische Grundoperation ein, die die Kosten hochordentlicher Tensoroperationen in der ab-initio-Quantenchemie senkt, indem sie die gekoppelte-Cluster-Theorie ermöglicht, chemische Genauigkeit mit Skalierung im Rahmen der Mittelungsfeldnäherung zu erreichen und bestehende lokale Korrelationsnäherungen sowohl in der Geschwindigkeit als auch im Fehler deutlich zu übertreffen.
Dieser Beitrag stellt CarCrashNet vor, einen groß angelegten Open-Source-Benchmark, der über 14.000 simulationsbasierte Crashtests auf Komponentenebene und 825 vollständige Fahrzeugsimulationen umfasst, sowie CrashSolver, einen hierarchischen neuronalen Löser, der datengestützte, KI-gestützte Vorhersagen von Strukturcrashes und reproduzierbare Forschung im Bereich der Fahrzeugsicherheit ermöglicht.
Dieser Beitrag stellt ein einheitliches Rahmenwerk zur Lösung verschiedener NP-schwerer kombinatorischer Optimierungsprobleme auf einem Rydberg-Quantenannealer vor, indem diese über eine lokale Lichtverschiebungs-Codierung und ein optimiertes Quanten-Annealing-Protokoll in ein QUBO-Formalismus überführt werden, wobei gleichzeitig ein generalisierter Härteparameter zur Quantifizierung der Problemkomplexität eingeführt wird.
Diese Studie stellt ein facettenaufgelöstes Framework zur Verteilung der Adsorptionsenergien vor, das maschinengelernte Kraftfelder nutzt, um 1,4 Millionen Adsorptionsstellen auf verschiedenen Legierungsoberflächen zu analysieren und dadurch spezifische Zusammensetzungen und Orientierungen zu identifizieren, die sowohl die Aktivität als auch die Methanolselektivität für die CO-Hydrierung optimieren.
Dieser Beitrag stellt ein physik-informiertes Framework zur Lernung reduzierter Operatoren vor, das Equilibrium Neural Operators mit einer auf QR-Zerlegung basierenden diskreten empirischen Interpolation kombiniert, um die Rechenkosten für das Training und die Inferenz von 3D-hyperelastischen Mikrostruktur-Surrogatmodellen drastisch zu senken, gleichzeitig das mechanische Gleichgewicht sicherzustellen und präzise Spannungsvorhersagen zu ermöglichen.
Dieser Artikel vergleicht das Constrained-Transport-Verfahren (CT) und Dedners gemischte Divergenzreinigungsmethoden für astrophysikalische MHD-Simulationen systematisch und zeigt, dass Letztere in Szenarien mit lokalisierten Magnetfeldern oder plötzlichen Zeitschrittänderungen erhebliche Artefakte und Ungenauigkeiten hervorrufen können, was darauf hindeutet, dass CT im Allgemeinen genauer und zuverlässiger ist, und schlägt spezifische Modifikationen vor, um die Robustheit der Divergenzreinigung zu verbessern.
Dieser Beitrag stellt eine Erweiterung des KLIFF-Pakets im OpenKIM-Rahmenwerk vor, die ein Toolkit zur Unsicherheitsquantifizierung bereitstellt und paralleles Tempern von Markov-Ketten-Monte-Carlo-Simulationen nutzt, um Unsicherheiten zu bewerten, die sowohl aus Parameterabweichungen als auch aus Unzulänglichkeiten der funktionalen Form von interatomaren Potentialen resultieren, wie am Beispiel eines Stillinger–Weber-Potentials für Silizium demonstriert wird.
Dieser Beitrag stellt einen skalierbaren, auf konvexer Optimierung basierenden Informationsabgleichansatz vor, der die Fisher-Information-Matrix nutzt, um minimale, hochwertige Trainingsdaten für die genaue Vorhersage von Größen von Interesse auszuwählen und damit Datenknappheit sowie Parameter-Nichtidentifizierbarkeit in vielfältigen wissenschaftlichen Modellierungs- und aktiven Lernanwendungen zu adressieren.