🔬 Category

physics.comp-ph

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.

Benchmarking of Massively Parallel Phase-Field Codes for Directional Solidification

Dieser Beitrag stellt einen umfassenden Benchmark vor, der einen GPU-beschleunigten Finite-Differenzen-Phasenfeld-Code (GPU-PF) und einen CPU-parallelisierten Finite-Elemente-Code mit adaptivem Gitter (PRISMS-PF) zum Simulieren der gerichteten Erstarrung von Al-Cu- und SCN-Kampfer-Legierungen unter experimentell relevanten Bedingungen vergleicht, ihre Genauigkeit bei der Vorhersage dendritischer Morphologie und Spitzen-Dynamik validiert und ihre Rechenleistung bewertet, um integrierte rechnergestützte Werkstoffentwicklungs-Workflows zu unterstützen.

Jiefu Tian, David Montiel, Kaihua Ji, Trevor Lyons, Jason Landini, Katsuyo Thornton, Alain Karma2026-04-30🔬 cond-mat.mtrl-sci

qFHRR: Rethinking Fourier Holographic Reduced Representations through Quantized Phase and Integer Arithmetic

Das Papier stellt qFHRR vor, eine quantisierte Phasenformulierung von Fourier-Holographischen Reduzierten Repräsentationen, die Gleitkommaarithmetik durch ganzzahlige Modulo-Operationen ersetzt, um den Speicherbedarf erheblich zu reduzieren und eine effiziente Hardware-Implementierung zu ermöglichen, während die algebraischen Eigenschaften und die hochauflösende Ähnlichkeitsstruktur des ursprünglichen komplexwertigen Rahmens erhalten bleiben.

Shay Snyder (George Mason University), Hamed Poursiami (George Mason University), Maryam Parsa (George Mason University)2026-04-30🔬 physics

From Code to Figure: A FAIR-Aligned Data Provenance Chain for Reproducible Simulation Research in Numerical Physics

Dieser Beitrag stellt einen integrierten, FAIR-konformen Workflow vor, der Versionskontrolle, automatisierte Tests, strukturierte Protokollierung und standardisierte Nachverarbeitung kombiniert, um eine vollständige Datenherkunftskette zu etablieren, die die Reproduzierbarkeit von der Code-Entwicklung bis zu den veröffentlichten Abbildungen in numerischen Physiksimulationen gewährleistet.

Markus Uehlein, Tobias Held, Christopher Seibel, Lukas G. Jonda, Baerbel Rethfeld, Sebastian T. Weber2026-04-30🔬 physics

Accelerating finite-element-based projector augmented-wave density functional theory calculations with scalable GPU-centric computational methods

Dieser Beitrag stellt eine skalierbare, GPU-zentrierte Finite-Elemente-Projektor-erweiterte-Wellen-Methode (PAW-FE) vor, die algorithmische Innovationen wie gemischte Genauigkeitsarithmetik und Chebyshev-gefilterte Unterraumiteration nutzt, um erhebliche Beschleunigungen und exascale-fähige Leistung für großskalige, chemisch genaue Dichtefunktionaltheorie-Simulationen zu erreichen.

Kartick Ramakrishnan, Phani Motamarri2026-04-30🔬 physics

Implementation of the hybrid exchange-correlation functionals in the SIESTA code

Dieser Beitrag stellt eine effiziente und genaue Implementierung hybrider Austausch-Korrelations-Funktionalen im SIESTA-Code vor, die eine gaußförmig angepasste Darstellung numerischer Atomorbitale nutzt, um großskalige, skalierbare Simulationen ausgedehnter Systeme mit deutlich verbesserten Bandlückenvorhersagen zu ermöglichen.

Yann Pouillon, Bill Clintone Oyomo, James Sifuna, María Camarasa-Gómez, Xinming Qin, Carlos Beltrán, Fernando Gómez-Ortiz, Honghui Shang, Javier Junquera2026-04-30🔬 cond-mat.mtrl-sci

Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations

Dieser Beitrag stellt ein multifiduzielles Mixture-of-Experts-Framework für maschinelle Lernpotentiale zwischen Atomen vor, das Simulationsdomänen räumlich partitioniert und eine Co-Training-Strategie einsetzt, um mechanische Diskrepanzen an Grenzflächen zu beheben, wodurch eine hochpräzise Genauigkeit für komplexe katalytische Systeme bei mehr als doppelter Rechengeschwindigkeit im Vergleich zu Standardmethoden erreicht wird.

Gabriel de Miranda Nascimento, Marc L. Descoteaux, Laura Zichi, Chuin Wei Tan, William C. Witt, Nicola Molinari, Sriteja Mantha, Daniil Kitchaev, Mordechai Kornbluth, Karim Gadelrab, Charles Tuffile (…)2026-04-30🔬 physics

Scaling in Supersonic Turbulence: Energy Spectra and Fluxes using High-Fidelity Direct Numerical Simulations

Mithilfe hochauflösender, GPU-beschleunigter direkter numerischer Simulationen zeigt diese Studie, dass sich bei supersonischer Turbulenz die Mechanismen des Energietransfers fundamental ändern, was sich in einem Übergang von einer Kolmogorov-ähnlichen zu einer Burgers-ähnlichen Skalierung in den Rotationsenergiespektren äußert, der durch einen dominierenden energietransfer über Skalen hinweg von solenoidalen zu kompressiven Moden angetrieben wird.

Harshit Tiwari, Dhananjay Singh, Mahendra K. Verma, Rajesh Ranjan2026-04-30🔬 physics

Drift-Free Conservative Dynamics from Quantized Interaction Rules

Dieser Beitrag stellt ein auf der Operatorebene angesiedeltes Rahmenwerk für konservative Dynamik vor, das exakte antisymmetrische Ganzzahl-Transferregeln auf einem quantisierten Zustandsraum nutzt, um numerische Rundungsdrifts zu eliminieren und die Entropieauswahl direkt auf der Arithmetikebene durchzusetzen, wodurch Erhaltungssätze und Stoßstrukturen erhalten bleiben, ohne auf approximative Flusskancellation angewiesen zu sein.

Park Junhu, Youngsoo Ha, Myungjoo Kang2026-04-30🔬 physics

Generalized Yee methods: Scalable symplectic finite element Maxwell solvers

Dieser Beitrag stellt verallgemeinerte Yee-Verfahren (GYMs) vor, eine skalierbare Klasse strukturerhaltender Finite-Elemente-Maxwell-Löser, die das Yee-Verfahren auf unstrukturierte Gitter und höhere Genauigkeitsordnungen erweitern, indem de-Rham-konforme Elemente und sparse Massenmatrix-Näherungen genutzt werden, wobei Lokalität und Symplektizität für die langfristige numerische Stabilität und die Kopplung mit Particle-in-Cell-Verfahren strikt gewahrt bleiben.

Alexander S. Glasser, Hong Qin2026-04-29🔬 physics