917 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 physikgestützten Deep-Surrogate-Ansatz (PEDS) vor, der durch die Kombination eines differenzierbaren Fourier-Lösers mit neuronalen Netzen und aktivem Lernen eine dateneffiziente und genaue Vorhersage des Phononentransports im Nanobereich ermöglicht und so das inverse Design thermischer Materialien beschleunigt.
Die Studie stellt einen inversen Entwurfsrahmen vor, der maschinelles Lernen nutzt, um dreidimensionale Mikrowellenresonatoren mit nichtverschwindender elektromagnetischer Helizität durch systematische Optimierung der Grenzflächenform zu entwickeln und dabei robuste physikalische Designprinzipien aufzudecken.
Die Arbeit stellt SimulCost vor, das erste Benchmark und Toolkit, das die Kostenbewusstheit von LLMs bei der Automatisierung physikalischer Simulationen bewertet und zeigt, dass diese zwar durch mehrstufige Anpassungen die Genauigkeit verbessern, jedoch aufgrund höherer Rechenkosten weniger effizient sind als traditionelle Scan-Verfahren.
Die vorgestellte Arbeit stellt ein einheitliches maschinelles Lern-Framework vor, das maschinell gelernte Atompotentiale mit neuronaler klassischer Dichtefunktionaltheorie kombiniert, um die Multiskalenmodellierung von Flüssigkeiten wie Wasser und Kohlendioxid effizient und rein aus ersten Prinzipien zu ermöglichen.
Die Autoren stellen geschlossene, bedingte Diffusionsmodelle vor, die mittels Kernel-Dichteschätzung den Score-Funktion analytisch approximieren, um nichtlineare Datenassimilationsprobleme in Black-Box-Szenarien effizient zu lösen und dabei Ensemble-Kalman- sowie Partikelfilter bei kleinen bis mittleren Ensemblegrößen zu übertreffen.
Die Studie zeigt, dass durch kohärente resonante Anregung mit zwei kopropagierenden Laserpulsen in homogenem Plasma, insbesondere bei einem zeitlichen Abstand von etwa einem Viertel der Plasma-Wellenlänge, die Wakefield-Amplitude im Vergleich zu einem einzelnen Puls bis auf das Dreifache verstärkt werden kann.
Die Autoren stellen eine robuste, auf Fourier-Analyse und statistischer Klassifikation basierende Methode vor, um Chimärenzustände in gekoppelten Oszillatorsystemen zuverlässig zu identifizieren und von anderen dynamischen Mustern zu unterscheiden.
Die Studie zeigt, dass akustische Spinwellen in symmetrischen CoFeB/Ru/CoFeB-Synthetic-Antiferromagnet-Stapeln im Scherenzustand aufgrund starker dipolarer Wechselwirkungen eine so ausgeprägte Frequenz-Nichtreziprozität aufweisen, dass sie Energie über einen breiten, bipolarer Wellenvektorbereich einseitig übertragen können.
Die Studie zeigt, dass die unerwartete zweifache Symmetrie der Absorption von Oberflächenakustischen Wellen durch ferromagnetische Resonanz in einer CoFeB-Schicht auf LiNbO₃ auf eine schwache in-plane uniaxiale Anisotropie zurückzuführen ist, die auch in ultradünnen Filmen bestehen bleibt, wenn dipolare Wechselwirkungen keine Rolle mehr spielen.
Diese Studie demonstriert, dass maschinelles Lernen als virtuelles Sensorik-Verfahren genutzt werden kann, um den Degradationszustand von Lötverbindungen und vollständige Temperaturkarten in IGBT-Modulen mit hoher Genauigkeit aus einer begrenzten Anzahl physischer Sensoren abzuschätzen.