🔬 Category

physics.comp-ph

879 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.

A Physics-Informed B-Spline Framework for Continuous Approximation of Flow Data

Dieses Paper stellt die Physics-Informed Multivariate Functional Approximation (PI-MFA) vor, ein Framework, das Tensorprodukt-B-Splines nutzt, um kontinuierliche, differenzierbare Rekonstruktionen von Strömungsfeldern zu generieren, indem Kontrollpunkte optimiert werden, um eine Balance zwischen Datentreue und den zugrunde liegenden physikalischen Gesetzen herzustellen, wodurch selbst aus inkonsistenten Eingangsdaten physikalisch konsistente Ergebnisse gewährleistet werden.

Junoh Jung, David Lenz, Emil Constantinescu, Tom Peterka2026-06-10🔬 physics

An adaptive framework for the axisymmetric pulsar magnetosphere using physics-informed Kolmogorov-Arnold networks

Dieses Paper stellt PulsarX vor, ein Open-Source-Framework, das adaptive Kolmogorov-Arnold-Netzwerke und automatisierte Trainingspipelines nutzt, um hochgenaue, selbstkonsistente axialsymmetrische Pulsarmagnetosphären-Lösungen mit signifikant verbesserter Konvergenzgeschwindigkeit, reduziertem manuellem Tuning und der Fähigkeit, im Vergleich zu bisherigen Physics-Informed Neural Network-Ansätzen extreme räumliche Skalen aufzulösen.

Spyros Rigas, Ioannis Contopoulos, Georgios Alexandridis, Antonios Nathanail2026-06-10🔬 physics

Bounding the Null Space: Interval-Based Uncertainty Quantification for Non-Identifiable Groundwater Models

Dieses Paper schlägt ein auf Optimierung basierendes Framework zur Schrankenverengung (Optimization-based Bound Tightening, OBBT) vor, das Intervallarithmetik und McCormick-Relaxationen verwendet, um garantierte, probenfreie Unsicherheitsgrenzen für nicht identifizierbare Grundwassermodelle bereitzustellen, während es gleichzeitig Herausforderungen wie nicht-physikalische Rotationsströmungen durch spezifische Vorzeichen- und Irrotationalitätsbeschränkungen adressiert.

Maximilian Ramgraber, Ksenia Bestuzheva2026-06-10🔬 physics

Modeling intercalation chemistry with multi-redox reactions by sparse lattice models in disordered rocksalt cathodes

Diese Arbeit stellt einen kombinierten Ansatz unter Verwendung einer auf spärlicher Regression basierenden Cluster-Expansion und semigrandkanonischer Monte-Carlo-Probenahme vor, um die Interkalationsthermodynamik von ungeordneten Rocksalt-Kathoden effizient zu modellieren, wobei erfolgreich experimentelle Spannungsprofile reproduziert und die Redox-Beiträge von Mn und Sauerstoff in Li1.3−x_{1.3-x}Mn0.4_{0.4}Nb0.3_{0.3}O1.6_{1.6}F0.4_{0.4} aufgeklärt wurden.

Peichen Zhong, Fengyu Xie, Luis Barroso-Luque, Liliang Huang, Gerbrand Ceder2026-06-09🔬 cond-mat.mtrl-sci

Consensus-based adaptive sampling and approximation for high-dimensional energy landscapes

Diese Arbeit präsentiert ein konsensbasiertes Framework, das die Exploration des Phasenraums mit einer auf dem Posterior-Residuum basierenden adaptiven Abtastung vereint, um das Minimax-Optimierungsproblem der simultanen Konstruktion von Surrogatmodellen und der Generierung von Stichproben für hochdimensionale Energielandschaften zu lösen, wodurch die effiziente Approximation von freien Energieoberflächen in komplexen biomolekularen Systemen effektiv ermöglicht wird.

Liyao Lyu, Huan Lei2026-06-09🔬 physics

Machine-Learning-Guided Insights into Solid-Electrolyte Interphase Conductivity: Are Amorphous Lithium Fluorophosphates the Key?

Diese Studie nutzt maschinelles Lernen und diffusionsbasierte Strukturvorhersage, um aufzuzeigen, dass amorphes Lithiumdifluorphosphat (\ceLiPO2F2\ce{LiPO2F2}), eine Schlüsselkomponente der festen Elektrolytzwischenphase, aufgrund von struktureller Unordnung und einem Übermaß an interstitiellen Defekten eine hohe Ionenleitfähigkeit aufweist, was darauf hindeutet, dass amorphe Mischanionenphasen die primären Schnellionenpfade in Lithium-Ionen-Batterien sind.

Peichen Zhong, Kristin A. Persson2026-06-09🔬 cond-mat.mtrl-sci

Exact Boundary Enforcement Along Implicit Geometries for Physics-Informed, Deep Learning Problems in Continuum Mechanics

Diese Arbeit untersucht den Einfluss von Techniken zur weichen gegenüber der harten Durchsetzung von Randbedingungen auf die Genauigkeit und Trainingseffizienz von physik-informierten neuronalen Netzen (PINNs) für elastodynamische Probleme und zeigt auf, dass die harte Durchsetzung von Traktionsbedingungen auf impliziten Geometrien zwar die Laufzeit reduziert, dies jedoch oft zulasten der Genauigkeit der Lösung im Vergleich zur weichen Durchsetzung geht.

Cody Rucker, Brittany A. Erickson2026-06-09🔬 physics

Agentic multi-fidelity learning of quasiparticle and excitonic properties

Dieses Paper führt ein agentengesteuertes Multi-Fidelity-Lernframework ein, das einen strukturellen Agenten zur Diagnose numerischer Instabilitäten in GW-Bethe-Salpeter-Berechnungen einsetzt und maschinelle Lernkorrekturen anwendet, um quasipartikelartige und exzitonische Eigenschaften in verspannten MoS2-WS2-Bilagen präzise vorherzusagen, wobei demonstriert wird, dass die explizite Erkennung numerischer Fragilität essenziell für eine zuverlässige Ersatzmodellierung angeregter Zustände in Materialien ist.

Arnab Neogi, Aaron Forde, Christopher A. Lane, Sergei Tretiak, Jian-Xin Zhu2026-06-09🔬 cond-mat.mtrl-sci