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 Studie quantifiziert mithilfe eines Random-Forest-Modells und eines neu erstellten Beobachtungsdatensatzes, wie atmosphärische Umweltfaktoren wie Feuchtigkeitskonvergenz und atmosphärische Instabilität die Häufigkeit und Niederschlagsintensität mesoskaliger konvektiver Systeme über tropischen Ozeanen steuern und dabei bis zu 50 % der Varianz erklären.
Diese Studie belegt, dass eine robuste Zwei-Wege-Rückkopplung zwischen dem Madden-Julian-Oszillation und mesoskaligen konvektiven Systemen besteht, bei der die MJO die Organisation der konvektiven Systeme steuert und diese ihrerseits durch den Transport von Impuls und Wärme die großräumige Zirkulation der MJO aktiv aufrechterhalten und ihre ostwärts gerichtete Ausbreitung fördern.
Dieser Artikel gibt einen Überblick über datengetriebene und maschinelle Lernansätze, die genutzt werden, um die Simulation von Punktdefekten in Festkörpern durch den Einsatz von Surrogatmodellen und interatomaren Potenzialen zu beschleunigen, wodurch quantenmechanisch genaue Vorhersagen von Defekteigenschaften bei Bruchteilen der Rechenkosten ermöglicht werden.
Die Studie stellt DiffSRDA vor, ein probabilistisches Framework auf Basis von Diffusionsmodellen, das durch kostengünstige Low-Resolution-Vorhersagen und spärliche Beobachtungen hochauflösende, unsicherheitsbewusste Datenassimilation für chaotische Strömungen ermöglicht und dabei die Genauigkeit von Ensemble-Kalman-Filtern erreicht, ohne deren hohen Rechenaufwand zu benötigen.
Die Arbeit stellt JAX-BEM vor, einen differenzierbaren Randelementmethode-Löser auf Basis von JAX, der eine effiziente, gradientenbasierte Formoptimierung für akustische Simulationen ermöglicht und dabei die Genauigkeit bestehender BEM-Codes erreicht.
Die Autoren stellen eine nahtlos in GROMACS integrierte Schnittstelle vor, die es ermöglicht, mit PyTorch trainierte neuronale Netzwerkpotenziale für hybride ML/MM-Simulationen biomolekularer Systeme einzusetzen, um damit erweiterte Sampling-Methoden und Freie-Energie-Berechnungen zu unterstützen.
Die Arbeit stellt Pi-PINN vor, einen transferierbaren Ansatz für physik-informierte neuronale Netze, der durch eine geschlossene Form-Adaptierung des Kopfes mittels Pseudoinverse neue PDE-Probleme ohne Trainingsdaten extrem schnell und präzise löst.
Diese Studie stellt ein agentic KI-Framework vor, das Large Language Models mit leichten physikalischen Modellen kombiniert, um in tropischen städtischen Gebieten wie Singapur die thermische Behaglichkeit und den Energiebedarf durch die automatische Analyse von Klimaresilienz-Strategien zu bewerten.
Diese Arbeit stellt eine meshless h-adaptive Lösung für die natürliche Konvektion nicht-newtonscher Fluide in einem differentiell beheizten Hohlraum vor, die durch eine an die Scherverdünnung angepasste Knotenverfeinerung sowohl die Genauigkeit der Grenzschichtauflösung als auch die Recheneffizienz verbessert.
Diese Studie untersucht das Supersolid-Verhalten zweidimensionaler Soft-Core-Bosonen bei endlichen Temperaturen mittels Hartree-Fock- und Quanten-Monte-Carlo-Methoden, identifiziert einen breiten Supersolid-Bereich sowie eine mögliche hexatische Zwischenphase und validiert dabei die Hartree-Fock-Theorie als effektives Werkzeug zur Analyse von Schmelz- und Gefrierübergängen.