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 stellt eine rein räumliche Korrektur vor, die durch die Neugestaltung der Ableitungsoperatoren an den ersten beiden Randknoten den Konvergenzverlust bei der expliziten Runge-Kutta-Integration hyperbolischer PDEs mit zeitabhängigen Randbedingungen behebt und so die nominelle Konvergenzordnung wiederherstellt.
Diese Arbeit stellt multilevel-hybride Monte-Carlo- und deterministische Methoden vor, die auf einer Kombination aus Quasidiffusions- und Second-Moment-Verfahren basieren, um die Boltzmann-Transportgleichung für neutrale Teilchen effizient zu lösen und dabei die Varianz der Korrekturfaktoren schneller als die Rechenkosten steigen zu lassen.
Dieser Artikel führt die Sonderausgabe zur symbolischen Regression in den Naturwissenschaften ein, die auf einer Royal Society-Diskussion basiert und deren Grundlagen, Anwendungen, methodische Herausforderungen sowie zukünftige Richtungen wie die Integration theoretischer Constraints zusammenfasst.
Diese Arbeit stellt einen verallgemeinerten probabilistischen Reparameterisierungsansatz vor, der die bayessche Optimierung für gemischte Suchräume mit nicht-äquidistanten diskreten Variablen ermöglicht und so eine effiziente, gradientenbasierte Lösung für komplexe Optimierungsprobleme in den Naturwissenschaften und autonomen Laboren bietet.
Die Studie stellt ein einfaches, interpretierbares Modell vor, bei dem Markovsche Knotendynamiken mit wechselnden Aktivitätszuständen nicht-Poissonsche zeitliche Hypergraphen erzeugen, deren durchmischte Ereignisprozesse bursty Sequenzen und langsame Autokorrelationen aufweisen, die mit empirischen Daten übereinstimmen.
Der Artikel betont, dass für das Design in der Nanophotonik neben Black-Box-Simulationswerkzeugen auch ein tiefes physikalisches Verständnis als wesentliche, oft übersehene Dimension erforderlich ist, um die durch Raum, Zeit und zusätzliche Dimensionen entstehende Komplexität zu meistern.
Diese Perspektive stellt differenzierbare hybride Kraftfelder als skalierbare Lösung vor, die durch die Kombination physikalischer Grundfunktionen mit neuronalen Kurzreichweiten-Korrekturen die Geschwindigkeit, Genauigkeit und experimentelle Kalibrierbarkeit für den autonomen Entdeckungsprozess von Elektrolyten vereinen.
Die vorgestellte Arbeit stellt den Tensor-Augmented Convolutional Neural Network (TACNN) vor, ein physikalisch geleitetes, flaches Modell, das durch den Ersatz konventioneller Faltungskerne durch generische Tensoren eine hohe Ausdruckskraft erzielt und auf dem Fashion-MNIST-Datensatz mit nur zwei Schichten die Leistung deutlich tieferer Architekturen wie VGG-16 erreicht.
Die Studie stellt einen richtungsabhängigen topologischen Datenanalyse-Rahmen vor, der die Vorhersagegenauigkeit des Elastizitätsmoduls in porösen Materialien durch die explizite Einbeziehung der Belastungsrichtung verbessert und dabei die Leistung von Faltungs-Neuronalen-Netzen bei kompakterer Repräsentation erreicht.
Das Paper stellt SMC-AI vor, ein skalierbares algorithmisches Framework für Monte-Carlo-Simulationen auf KI-Beschleunigern, das es ermöglicht, mit 4096 NPU-Chips eine Atomistik-Simulation von vier Billionen Atomen durchzuführen und dabei neue Rekorde für Systemgröße und Durchsatz zu setzen.