879 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.
Dieses Papier führt ein neuartiges Framework zur Konstruktion von echtzeitfähigen, strukturtreuen neuronalen Surrogaten für partielle Differentialgleichungen ein, indem es gemischte Finite-Elemente-Räume mit Gauß-Prozess-Regression integriert, um eine handhabbare Unsicherheitsquantifizierung und geschlossene posteriore Fehlergrenzen zu ermöglichen.
Dieses Paper stellt ein hybrides Deep-Learning-Framework vor, das ein Multi-Scale Convolutional Neural Network nutzt, um ein probabilistisches Cellular-Automata-Modell in JAX dynamisch zu parametrisieren, was die Genauigkeit der Vorhersage von Waldbränden bei großflächigen Bränden in den USA signifikant verbessert, indem es komplexe Umweltinteraktionen erfasst und gleichzeitig die physikalische Interpretierbarkeit beibehält.
Diese Studie zeigt auf, dass eine mikrostrukturelle Heterogenität in der Korngeometrie zwar einen moderaten Effekt hat, eine breite Verteilung der Korngrenzenviskositäten jedoch den charakteristischen Debye-ähnlichen Peak des elastisch begleiteten Korngrenzengleitens unterdrücken und verbreitern kann, sodass dieser in ein schwaches Hintergrundsignal übergeht, wodurch das Fehlen eines ausgeprägten Peaks in trockenen Olivin-Experimenten erklärt wird, ohne die Relevanz des Mechanismus für die seismische Dämpfung des oberen Mantels zu negieren.
Dieses Paper stellt fitPALSpectra vor, einen Open-Source-Python-Workflow, der die Herausforderungen bei der Analyse von Daten der Positronenannihilations-Lebensdauenspektroskopie (PALS) adressiert, indem er ein konfigurierbares Werkzeug zur Simulation, Anpassung und Visualisierung von Spektren unter Verwendung eines analytisch integrierten Exponential-Gaussian-Modells bereitstellt, welches validiert wurde, um die Ground-Truth-Parameter auf synthetischen Daten präzise zu rekonstruieren.
Dieses Paper schlägt eine gemischte Hermite-Legendre-Spektralmethode für kinetische Plasmasimulationen vor, die die Effizienz von Hermite-Polynomen für nahezu Maxwellsche Verteilungen mit den Auflösungsfähigkeiten von Legendre-Polynomen für lokalisierte nicht-Maxwellsche Merkmale kombiniert und so eine verbesserte Genauigkeit sowie Erhaltung physikalischer Invarianten bei vergleichbarem Rechenaufwand erreicht.
Diese Arbeit führt eine Methode der gemeinsamen approximativen Diagonalisierung für quasipartikel-selbstkonsistente $GW$-Berechnungen ein, die die volle dynamische Selbstenergie und eine aus der vollen Green’schen Funktion abgeleitete Dichtematrix nutzt und dabei eine Genauigkeit erreicht, die mit dem Standard- vergleichbar ist, während sie gleichzeitig eine verbesserte Übereinstimmung mit hochgradigen CCSD(T)-Referenzwerten bietet.
Dieses Paper stellt General-Geometry Neural Whitney Forms (Geo-NeW) vor, eine datengesteuerte Finite-Elemente-Methode, die Differentialoperatoren und kompatible reduzierte Räume gemeinsam lernt, um physikalische Erhaltungssätze zu bewahren und eine überlegene Generalisierung auf ungesehene Geometrien beim Lösen partieller Differentialgleichungen zu erreichen.
Diese Arbeit etabliert einen theoretischen Rahmen, der geschlossene neuronale Netzwerkensembles mit Analogien aus der Kernreaktionstheorie offener Systeme vergleicht, und kommt letztlich zu dem Schluss, dass deren charakteristische nicht-hermitesche Dynamik im Mainstream-Lernen aufgrund des Fehlens kontinuierlicher Spektren und wellenartiger Verhaltensweisen strukturell abwesend ist, wodurch die wahre Quelle der operationalen Unsicherheit innerhalb der Korrespondenz des geschlossenen Systems lokalisiert wird.
Diese Arbeit löst das Paradoxon, dass Matrix-Produkt-Zustände (MPS) trotz der allgemeinen Trainierbarkeitsprobleme von Quantenschaltkreisen hochgradig trainierbar sind, indem sie beweist, dass die Eichfreiheit in MPS eine effektive lokale Überparametrisierung induziert, welche schlechte lokale Minima eliminiert und diese nahe dem globalen Minimum konzentriert.
Dieses Paper stellt Graphlet-MP vor, eine umfassende Datenbank und ein Open-Source-Toolkit, das interpretierbare, dateneffiziente Graphlet-Histogramm-Repräsentationen für über 149.000 anorganische Kristalle bereitstellt, um die Vorhersage von Materialeigenschaften selbst bei spärlichen experimentellen Daten zu ermöglichen.