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.
Diese Arbeit präsentiert ein Multi-Fidelity-Surrogatmodellierungs-Framework, das empirische Korrelationen mit CFD-Simulationen kombiniert, um Windlastkoeffizienten für moderne Containerschiffe in Hafenumgebungen präzise und recheneffizient vorherzusagen.
Das Paper stellt PHIN-GAN vor, ein neuartiges, physik-informiertes Generative Adversarial Network, das durch die Integration analytischer Wahrscheinlichkeitsdichtefunktionen die hochpräzise Simulation von Teilchen-Materie-Wechselwirkungen (Straggling-Funktionen) bei einem Bruchteil des Rechenaufwands herkömmlicher Methoden wie GEANT4 ermöglicht.
Diese Studie untersucht die viskose Stoßrohrströmung bei niedrigen Reynolds-Zahlen und zeigt mittels des Unified Gas-Kinetic Scheme (UGKS), dass selbst im Kontinuumsbereich signifikante Nichtgleichgewichtseffekte auftreten, insbesondere dort, wo Stoßwellen mit Grenzschichten interagieren.
In dieser Arbeit wird die Methode des „Structure Factor Twist Averaging“ (sfTA) durch die neuen Varianten „paired sfTA“ und „binding sfTA“ für zweidimensionale Bilagen-Materialien erweitert, um die Bindungsenergien durch eine optimierte Auswahl der Verdrehungswinkel präziser zu berechnen.
Das Paper stellt vor, eine neue Open-Source-Architektur auf Basis von Physics-Informed Neural Networks, die durch Operator-Learning die parameterabhängigen Spektren komplexer physikalischer Systeme – wie etwa die Quasinormalmoden von Kerr-Schwarzen Löchern – hocheffizient und präzise in einem einzigen Modell abbildet.
Die Arbeit zeigt, dass physikalisch informierte Machine-Learning-Modelle zur Vorhersage der subgrid-skaligen Grenzflächenfläche in Zweiphasenströmungen zwar die Genauigkeit erhöhen, ihr Nutzen jedoch stark vom physikalischen Regime abhängt und bei topologischen Änderungen wie Tröpfchenzerfall abnimmt.
Die vorgestellte „Synchronized Molecular Dynamics“ (SMD)-Methode ist ein multiskaliger Rechenansatz für dünnschichtige Strömungen komplexer Fluide, der lokale Molekulardynamik-Simulationen direkt mit einer makroskopischen Schmierströmungsbeschreibung koppelt, um ohne vordefinierte Stoffgesetze physikalisch konsistente Strömungsprofile zu berechnen.
Dieser Artikel stellt einen stabilen Algorithmus zur Kopplung von Navier-Stokes-Gleichungen mit Newton-Euler-Gleichungen mittels der Direct-Forcing Immersed Boundary Method (DF-IBM) vor, der durch ein implizites Kopplungsverfahren und eine Relaxationsmethode auch bei komplexen, strömungsinduzierten Bewegungen und kritischen Dichteverhältnissen eine robuste und effiziente Simulation ermöglicht.
Diese Arbeit stellt eine neue, gradientenfreie Heuristik für die diskrete Quantenoptimalsteuerung vor, die auf einer adaptiven Stichprobenmethode mittels Matrixproduktzuständen (MPS) basiert, um effizient hochperformante Kontrollsequenzen in komplexen Optimierungslandschaften zu finden.
Die Arbeit präsentiert eine neue Methode zur Untersuchung stationärer Zustände kollisionsloser Systeme, die durch verallgemeinerte, parameterabhängige Randbedingungen an Reservoirs gesteuert werden und zeigen, dass diese zu nicht-thermischen Zuständen mit komplexen räumlichen Dichteprofilen führen.