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 Artikel schlägt ein einheitliches Framework vor, das geometrisches Deep Learning und rigorose numerische Analyse für CFD-Simulationen verbindet, indem er Multi-Node-Vorhersage, zeitliche Korrektur mittels Cross-Attention und 3D-rotatorische Positionseingebettungen einführt, um die Stabilitäts- und Genauigkeitsbeschränkungen bestehender ML-Approximationsmodelle auf unstrukturierten Gittern zu überwinden.
Dieser Beitrag schlägt einen physikgesteuerten Deep-Learning-Ansatz unter Verwendung einer U-Net-Architektur vor, um strukturierte, nicht-stationäre Artefakte in der Einzelbild-Röntgenbildgebung effektiv zu unterdrücken, wodurch die Rekonstruktionsqualität und die Signalerhaltung im Vergleich zu herkömmlichen Methoden erheblich verbessert werden, während gleichzeitig Deep Ensembles integriert werden, um durch Unsicherheitsschätzung Robustheit zu gewährleisten.
Dieser Beitrag stellt ein gewichtungs-basiertes Framework zur symbolischen Regression vor, das hybride Suchalgorithmen mit Max/Min-Operatoren kombiniert, um interpretierbare, analytische Ausdrücke zur Vorhersage vielfältiger Materialeigenschaften direkt aus der chemischen Zusammensetzung zu generieren, wobei eine wettbewerbsfähige Genauigkeit gegenüber Black-Box-Modellen erreicht und gleichzeitig chemisch sinnvolle Elementtrends aufgedeckt werden.
Dieser Artikel schlägt eine Strategie zur Konstruktion expliziter Funktionale vor, die Kohn-Sham-Potentiale direkt auf Ladungsdichten in inhomogenen Materialien unter Verwendung homogener Elektronengasdaten abbilden, und validiert diese durch den erfolgreichen Nachweis verbesserter Genauigkeit mittels zunehmend ausgefeilterer Näherungen, ohne die Kohn-Sham-Schrödingergleichung zu lösen.
Diese Studie zeigt, dass der Wirbelpackungsanteil in zerfallender zweidimensionaler Navier-Stokes-Turbulenz den Übergang von Punktwirbel- zu Gleichgewichten endlicher Wirbelgröße steuert, was wiederum eine entsprechende Verschiebung des Lagrange-Transportes von subdiffusivem Orbitaleinfangen zu superdiffusiver linearer Bewegung mit zunehmender Packung bewirkt.
Dieser Beitrag stellt ein skalensensitives adversariales Analyse-Framework mittels eingeschränkter Diffusionszerlegung vor, das zeigt, dass Standard-Generative-KI-Modelle physikalische Gesetze über Skalen hinweg nicht internalisieren, sondern stattdessen bei physikalisch eingeschränkten Perturbationen strukturelles Einfrieren und Instabilität aufweisen.
Dieser Beitrag stellt MuDirac 1.3.0 vor, ein nachhaltiges und effizientes Open-Source-Softwaretool, das es der Gemeinschaft der negativen Myonen ermöglicht, Kerngrößen wie den Ladungsradius präzise zu berechnen, indem Myonen-Röntgen-Übergangsenergien unter einer Fermi-Verteilung mit zwei Parametern modelliert werden.
Dieser Beitrag stellt einen experimentellen hybriden spatio-temporalen photonischen Reservoir-Computer vor, der ein diffraktiv gekoppeltes VCSEL-Array verwendet und durch die Kombination räumlicher Kopplung mit Zeitmultiplexing die Klassifizierungsleistung und Skalierbarkeit erheblich verbessert, indem ein 12-Knoten-Netzwerk zu einem 968-Knoten-System erweitert wird, das einen reduzierten Testfehler von 0,026 aufweist.
Dieser Artikel stellt einen effizienten Algorithmus vor, der auf dem MeLoCoToN-Ansatz basiert, die ganzzahlige Faktorisierung als Tensornetzwerkgleichung formuliert, die aus einer binären Multiplikationsschaltung abgeleitet wird, die Netzwerktopologie optimiert und seine Leistung durch exakte und approximative Kontraktionsverfahren demonstriert.
Dieser Beitrag stellt den xARPES Python-Code vor, der eine erweiterte Maximum-Entropie-Methode mit Bayes'scher Inferenz nutzt, um konsistent Elektron-Selbstenergien und Eliashberg-Funktionen aus gekrümmten Dispersionen in winkelaufgelösten Photoemissionsspektroskopie-Daten zu extrahieren, und dabei auf sowohl Modell- als auch experimentellen Datensätzen eine überlegene Genauigkeit im Vergleich zu bestehenden auf Linearisierung basierenden Ansätzen demonstriert.