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 Studie nutzt den M3D-C1-Code, um interne Kink-Moden und Sägezahn-Crashes in SPARC-ähnlichen Szenarien zu simulieren, wobei gezeigt wird, dass sowohl Strom- als auch Druckprofile die Instabilität maßgeblich beeinflussen und zu magnetischer Rekonnexion sowie einem hohlen Druckprofil führen.
Die vorgestellte „Freeze-and-release"-Methode ermöglicht eine effiziente und stabile variationelle Optimierung von angeregten elektronischen Zuständen in der Dichtefunktionaltheorie, indem sie durch ein zweistufiges Verfahren mit direkter Optimierung das Kollabieren zu falschen Ladungsdichteverteilungen verhindert und korrekte Energieverläufe bei Ladungstransferanregungen ohne lange Reichweiten-Exact-Exchange-Terme liefert.
Dieses als lebendiges Dokument konzipierte Papier untersucht das Potenzial des Quantencomputings für die Thermische Wissenschaft, wobei es sich zunächst auf die Wärmeleitung als paradigmatischen Testfall konzentriert, um neue Algorithmen zu entwickeln und die Leistung realer Quantenhardware zu evaluieren.
Die Autoren stellen Point Group Order Parameters (PGOPs) vor, eine neue Klasse von Ordnungsparametern zur kontinuierlichen Quantifizierung der Punktgruppensymmetrie in komplexen Partikelsystemen, und implementieren diese in dem Open-Source-Paket SPATULA.
Der Artikel stellt „Predictor-Driven Diffusion" vor, ein Framework, das renormierungsgruppenbasierte räumliche Vergröberung mit einer Pfadintegralformulierung der zeitlichen Dynamik kombiniert, um multiscale turbulente Systeme durch ein einheitliches Modell zu simulieren, zu generieren und zu super-auflösen.
Die Studie stellt ein neues neuronales Netzwerk-Modell namens SAT3-NN vor, das lineare gyrokinetische Daten nutzt, um nichtlineare Sättigungspotenziale und damit verbundene Transportflüsse präziser vorherzusagen als frühere Modelle.
Die Arbeit stellt BuSyNet vor, ein tiefes Lernarchitektur, die dimensionskonsistente und symplektische Transformationen nutzt, um aus Trajektorien interpretierbare, symbolische Hamilton-Formeln in Energieeinheiten zu entdecken und dabei die Langzeitgenauigkeit sowie Stabilität gegenüber bestehenden neuronalen Netzen signifikant verbessert.
Diese Studie validiert die Robustheit und Effektivität von durch neuronale Netze emulierten virtuellen Schaltkreisen für die Echtzeit-Formsteuerung von Fusionsplasmen in geschlossenen Regelkreissimulationen des MAST-U-Experiments, was einen wichtigen Schritt zur zukünftigen Implementierung im echten Kontrollsystem darstellt.
Die Studie stellt das LoRA-basierte Feinabstimmungsframework Equitrain vor, das mit minimalen zusätzlichen Daten die Vorhersagegenauigkeit von phononischen und thermischen Eigenschaften durch maschinengelernte Interatomare Potentiale über 53 Materialsysteme hinweg signifikant verbessert und dabei sowohl vortrainierte als auch von Grund auf neu trainierte Modelle übertrifft.
Die Studie stellt den quanteninspirierten Optimierungsalgorithmus Simulated Bifurcation Quantum Annealing (SBQA) vor, der durch die Integration von Inter-Replica-Wechselwirkungen zur Nachahmung des Quantentunnelns die Leistungsfähigkeit des Simulated Bifurcation-Verfahrens auf dünnbesetzten und rauen Energielandschaften signifikant verbessert und sich als leistungsfähige klassische Benchmark etabliert.