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 stellt effiziente ADI-Schemata vor, die durch eine modifizierte Douglas-Gunn-Methode und eine Kombination mit der KFBI-Methode entwickelt wurden, um dreidimensionale Wärmeleitungsgleichungen mit unregelmäßigen Rändern und bewegten Grenzflächen, wie sie bei Stefan-Problemen und dendritischer Erstarrung auftreten, mit hoher Genauigkeit und Stabilität zu lösen.
Diese Arbeit entwickelt ein fraktalgeometrisches Diffusions-Modell, das durch die Berücksichtigung von struktureller Heterogenität und anomalem Transport erklärt, wie sich die Sauerstoffverteilung in Tumoren im Vergleich zu normalem Gewebe unter FLASH-Bestrahlung unterscheidet und dabei subdiffusive Dynamiken sowie lokalisierte reaktive Domänen vorhersagt.
Die Studie stellt einen interpretierbaren, strukturerhaltenden Graph Neural Solver vor, der klassische numerische Prinzipien mit Graph-Neural-Networks verbindet, um parametrische hyperbolische Erhaltungsgesetze effizient, stabil und physikalisch konsistent zu lösen.
Die Arbeit stellt PINNACLE vor, ein Open-Source-Framework, das klassische und quantenphysik-informierte neuronale Netze (PINNs) mit fortschrittlichen Trainingsstrategien und Multi-GPU-Beschleunigung vereint und eine umfassende Benchmark-Studie zur Bewertung ihrer Leistung, Skalierbarkeit und Kompromisse gegenüber traditionellen Lösern bietet.
Diese Studie stellt einen skalierbaren probabilistischen Workflow vor, der Bayes'sche Korrekturen und Deep-Learning-Surrogate kombiniert, um die Unsicherheit in der hydraulischen Charakterisierung von geologischen Frakturen unter Berücksichtigung von Apertur-Heterogenität und Messfehlern präzise zu quantifizieren und auf makroskopische Durchlässigkeiten zu übertragen.
Diese Arbeit stellt ein maschinelles Lernframework vor, das die Genauigkeit von Isotopolog-Übergängen in molekularen Energieniveaus durch Korrektur von Modellierungsfehlern bei CO₂ und transferlernenbasierte Verallgemeinerung auf CO verbessert, um präzise Referenzlinienlisten für die Exoplanetenatmosphärenforschung zu erstellen.
Die Studie demonstriert, dass Matrix-Produkt-Zustände (MPS) trotz des ungesättigten Wachstums der theoretischen Komplexität skalierbar sind, um zweidimensionale Rayleigh-Bénard-Konvektion bis zu Rayleigh-Zahlen von effizient zu simulieren und dabei statistische Observablen wie die Nusselt-Zahl mit hoher Genauigkeit und signifikant reduziertem Rechenaufwand zu erfassen.
Die Studie zeigt, dass eine harmonische Modulation des Abstands zwischen Radikalenpaaren in Cryptochromen durch Landau-Zener-Übergänge die geomagnetische Empfindlichkeit stark gekoppelter Spinsysteme überwindet und somit lebende Quantensensoren effizienter macht als statische.
Die Autoren stellen eine rigorose Bayes'sche Methode vor, die es ermöglicht, Elektronendichten kleiner Proteine aus extrem verrauschten und photonenschwachen Einzelmolekül-Röntgenstreuungsbildern zu bestimmen, indem sie Unsicherheiten wie zufällige Orientierungen und Hintergrundstreuung berücksichtigt.
Diese Arbeit stellt neuartige Voll- und Niedrigrang-Exponential-Euler-Integratoren für die Lindblad-Gleichung vor, die die physikalisch essenziellen Eigenschaften der Positivität und Spur-Erhaltung bedingungslos bewahren und durch theoretische Fehlerabschätzungen sowie numerische Experimente ihre Überlegenheit gegenüber dem aktuellen Stand der Technik belegen.