🔬 Category

physics.comp-ph

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.

Maximizing the magnetic anisotropy of Dy complexes by fine tuning organic ligands: A systematic multireference high-throughput exploration of over 30k molecules

Diese Studie demonstriert, dass eine systematische multireferenzielle Hochdurchsatz-Screening-Methode über 30.000 Dysprosium-Komplexe hinweg durch gezieltes Design organischer Liganden die magnetische Anisotropie um etwa 100 % gegenüber Referenzverbindungen steigern kann, was die Bedeutung automatisierter computergestützter Suche für die Entdeckung nicht-intuitiver chemischer Strukturen unterstreicht.

Lion Frangoulis, Lorenzo A. Mariano. Vu Ha Anh Nguyen, Zahra Khatibi, Alessandro Lunghi2026-04-06🔬 cond-mat.mtrl-sci

Real-Time Surrogate Modeling for Personalized Blood Flow Prediction and Hemodynamic Analysis

Diese Arbeit stellt einen systematischen Rahmen vor, der auf einem virtuellen Patientenkollektiv basierend auf klinischen Daten trainierte Deep-Learning-Surrogatmodelle nutzt, um in Echtzeit patientenspezifische hämodynamische Parameter wie den Herzzeitvolumen und den systolischen Blutdruck vorherzusagen, nicht-physiologische Parameterkombinationen zu identifizieren und die Schätzung schwer messbarer Größen zu optimieren.

Sokratis J. Anagnostopoulos, George Rovas, Vasiliki Bikia, Theodore G. Papaioannou, Athanase D. Protogerou, Nikolaos Stergiopulos2026-04-06🔬 physics

Fast and Accurate Inverse Blood Flow Modeling from Minimal Cuff-Pressure Data via PINNs

Diese Studie stellt ein vollständig nicht-invasives, patientenspezifisches Framework vor, das physikinformierte neuronale Netze (PINNs) mit einem validierten 1-D-Modell des arteriellen Systems kombiniert, um zentrale hämodynamische Parameter wie das Herzzeitvolumen und den zentralen systolischen Blutdruck aus minimalen Manschettendruckdaten mit hoher Geschwindigkeit und Genauigkeit zu rekonstruieren.

Sokratis J. Anagnostopoulos, Georgios Rovas, Lydia Aslanidou, Vasiliki Bikia, Nikolaos Stergiopulos2026-04-06🔬 physics

RiteWeight: Randomized Iterative Trajectory Reweighting for Steady-State Distributions Without Discretization Error

Die Studie stellt RiteWeight vor, einen iterativen Algorithmus zur Schätzung stationärer Verteilungen aus unkonvergierten Molekulardynamik-Simulationen, der durch zufällige Clustering-Schritte die Diskretisierungsfehler herkömmlicher Methoden vermeidet und präzise Gleichgewichts- sowie Nichtgleichgewichtsergebnisse liefert.

Sagar Kania, Robert J. Webber, Gideon Simpson, David Aristoff, Daniel M. Zuckerman2026-04-03🔬 physics

PI-JEPA: Label-Free Surrogate Pretraining for Coupled Multiphysics Simulation via Operator-Split Latent Prediction

Die Arbeit stellt PI-JEPA vor, ein label-freies Vorab-Trainingsframework für Multiphysik-Simulationen, das durch maskierte latente Vorhersage unter PDE-Residual-Regularisierung und eine an den Operator-Splitting-Ansatz angelehnte Architektur die Abhängigkeit von teuren gelabelten Simulationsdaten drastisch reduziert und dennoch bei geringen Datenmengen eine höhere Genauigkeit als bestehende neuronale Operatoren erreicht.

Brandon Yee, Pairie Koh2026-04-03🤖 cs.LG

A Self-Evolving Agentic Framework for Metasurface Inverse Design

Die vorgestellte Arbeit stellt ein selbstentwickelndes Agenten-Framework vor, das durch die evolutionäre Verfeinerung wiederverwendbarer Fähigkeiten und die Kopplung mit einem deterministischen physikalischen Evaluierer den Prozess des inversen Metasurface-Designs automatisiert und dabei die Erfolgsrate signifikant steigert, ohne dabei die zugrunde liegenden Modellgewichte oder physikalischen Solver zu verändern.

Yi Huang, Bowen Zheng, Yunxi Dong, Hong Tang, Huan Zhao, S. M. Rakibul Hasan Shawon, Hualiang Zhang2026-04-03🔬 physics

Smoluchowski Coagulation Equation and the Evolution of Primordial Black Hole Clusters

Dieser Artikel präsentiert eine umfassende Simulation der aufeinanderfolgenden Verschmelzungen primordialer Schwarzer Löcher in Clustern mittels der Smoluchowski-Koagulationsgleichung, um die Entwicklung der Massenpopulation und die Zeitskalen für das „Runaway"-Wachstum über einen weiten Bereich kosmischer Rotverschiebungen zu bestimmen und so die beobachteten supermassereichen Schwarzen Löcher in „Little Red Dots" zu erklären.

Borui Zhang, Wei-Xiang Feng, Haipeng An2026-04-03🔭 astro-ph

Transformer self-attention encoder-decoder with multimodal deep learning for response time series forecasting and digital twin support in wind structural health monitoring

Die Studie stellt ein neuartiges, auf Transformer-Self-Attention basierendes multimodales Deep-Learning-Framework vor, das für die Vorhersage von Wind-induzierten Strukturantworten und die Schädigungserkennung an Brücken wie der Hardanger-Brücke eingesetzt wird und dabei ohne Annahmen über Windstationarität oder normales Schwingungsverhalten auskommt, um so eine adaptive digitale Zwilling-Lösung für das strukturelle Gesundheitsmonitoring zu ermöglichen.

Feiyu Zhou, Marios Impraimakis2026-04-03🤖 cs.LG