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.
Die Studie stellt einen rechen-effizienten, hierarchisch bayesschen Kalibrierungsansatz vor, der Deep-Learning-Surrogate nutzt, um mesoskopische Modelle für Ultraschallkontrastmittel (Definity und SonoVue) basierend auf Kraftspektroskopiedaten präzise zu parametrisieren und so die gezielte Wirkstofffreisetzung zu unterstützen.
Das Paper stellt NEPMaker vor, einen D-Optimalitäts-getriebenen aktiven Lernrahmen für neuroevolutionäre Potentiale in der GPUMD-Software, der durch die Einbettung extrapoliierter atomarer Umgebungen in lokal periodische Strukturen die Erstellung robuster und skalierbarer Machine-Learning-Potentiale für komplexe Materialsysteme ermöglicht.
Die Studie stellt MolCryst-MLIPs vor, eine offene Datenbank mit feinabgestimmten MACE-Modellen für neun molekulare Kristallsysteme, die mittels einer automatisierten Pipeline entwickelt wurden und als validierte maschinengelernte Potenzialmodelle für Produktions-Molekulardynamik-Simulationen zur Untersuchung von Polymorphie bereitstehen.
Die Studie identifiziert das dreidimensionale Bor-Allotrop - als ideales, spinloses topologisches Halbmetall, in dem durch Symmetrien geschützte zweidimensionale Knotenflächen und diverse Typen von Weyl-Fermionen koexistieren und durch ihre räumliche Trennung im Impulsraum eindeutig unterscheidbar sind.
Diese Arbeit stellt eine nichtinvasive Methode namens „distributionale inverse Homogenisierung" vor, die es ermöglicht, aus makroskopischen mechanischen Messungen statistische Informationen über die Mikrostruktur von Materialien abzuleiten, indem sie Konzepte aus der Wahrscheinlichkeitstheorie und der Homogenisierungstheorie verbindet.
Diese Arbeit analysiert die schwache Skalierbarkeit von einstufigen Schwarz-Verfahren für die Maxwell-Gleichungen in Wellenleitern mit allgemeinen Querschnitten und verschiedenen Übertragungsbedingungen, indem sie eine neue theoretische Rahmenkombination aus der Spektralanalyse von Toeplitz-Matrizen und der modalen Zerlegung nutzt, um Robustheit bezüglich der Wellenzahl nachzuweisen.
Diese Studie stellt einen neuartigen Fourier-Neural-Operator (FNO) vor, der als rechenzeit-effizientes Ersatzmodell für die Phasenfeld-Simulation dient und durch das Lernen von Abbildungen zwischen Funktionsräumen eine hochgenaue, auflösungsunabhängige Vorhersage der Kornwachstumsdynamik über verschiedene Skalen hinweg ermöglicht.
Diese Arbeit untersucht, wie die Wahl der Zielfunktion die Optimierung zur Stabilisierung von Vlasov-Poisson-Plasmen beeinflusst, und zeigt, dass zeitintegrierte Zielfunktionen aufgrund ihrer konvexähnlichen Landschaften für gradientenbasierte Methoden günstiger sind.
Die vorgestellte Arbeit demonstriert ein körperfreies Simulationsframework, das durch die Vorgabe von Strömungsprofilen an einer einzigen Stelle im Nahbereich des Zylinders die dreidimensionale Dynamik turbulenter Zylinderwirbel bei verschiedenen Reynoldszahlen effizient und physikalisch korrekt rekonstruiert, ohne den Zylinder selbst explizit zu modellieren.
Die Studie stellt Bayesian-ARGOS vor, ein hybrides Framework, das durch die Kombination schneller frequentistischer Screening-Verfahren mit fokussierter Bayes'scher Inferenz eine automatisierte, statistisch fundierte und rechnerisch effiziente Entdeckung von Differentialgleichungen aus verrauschten und datenarmen Beobachtungen ermöglicht, von chaotischen Systemen bis hin zu Klimamodellen.