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.
Dieses Papier stellt FESTIM v2.0 vor, ein aktualisiertes Open-Source-Framework für die Simulation des Wasserstofftransports in Materialien, das durch die Einführung eines modularen Mehrkomponenten-Ansatzes, erweiterter physikalischer Modelle und einer Migration auf die DOLFINx-Plattform sowohl den physikalischen Anwendungsbereich als auch die Softwareleistung und Nachhaltigkeit erheblich erweitert.
Diese Studie untersucht die beobachtbaren Signaturen magnetisch geladener Anti-de-Sitter-Schwarzer Löcher in der Euler-Heisenberg-Theorie und zeigt, dass die magnetische Ladung zwar theoretisch messbare Abweichungen in Schattenradius und Quasi-periodischen Oszillationen verursacht, aktuelle Daten jedoch nur moderate Obergrenzen für deren Stärke zulassen.
Diese Studie führt das „Neuronale Unsicherheitsprinzip" ein, das Adversarial-Fragilität in der Bildverarbeitung und Halluzinationen in großen Sprachmodellen als gemeinsame geometrische Folge einer irreduziblen Unsicherheitsgrenze zwischen Eingabe und Verlustgradient erklärt und darauf aufbauend praktische Methoden zur Verbesserung der Robustheit und zur Erkennung von Halluzinationen ohne aufwändiges Adversarial-Training entwickelt.
Die vorgestellte Arbeit führt eine verteilungsfreie Gitter-Boltzmann-Methode (SSLBM) für kompartimentale Reaktions-Diffusions-Systeme in der Epidemiologie ein, die durch direkte Evolution makroskopischer Dichten effizienter ist und im Vergleich zu klassischen Ansätzen eine signifikant höhere Genauigkeit bei der Modellierung von Epidemiedynamiken wie SEIRD aufweist.
Die vorgestellte Studie zeigt, dass die Wigner-Ville-Verteilung im Vergleich zu linearen Zeit-Frequenz-Methoden wie der kontinuierlichen Wavelet-Transformation präzisere Zeitverzögerungsschätzungen mit geringerer Unsicherheit für nichtstationäre Signale liefert.
Diese Arbeit präsentiert eine umfassende mikromagnetische Analyse der Kopplung zwischen Oberflächenwellen und Spinwellen in CoFeB-Filmen, wobei gezeigt wird, dass die Ausrichtung der magnetischen Anisotropie als effektiver Stellknopf zur Steuerung der resonanten Wechselwirkung dient.
Diese Arbeit stellt ein variationsbasiertes, physik-informiertes Deep-Learning-Framework vor, das erstmals die Modellierung von Sprödbruch in anisotropen Medien mittels höherer Ordnungen und B-Spline-Basisfunktionen ermöglicht, um richtungsabhängige Rissausbreitung präzise zu erfassen.
Diese Arbeit stellt ein neuartiges graphentheoretisches Framework vor, das die Erzeugung von Kristallstrukturen durch die Kodierung raumfüllender Polyeder in duale periodische Graphen und deren Standardrealisierung ermöglicht, um die Entdeckung neuer Materialien für Anwendungen in Elektronik und Energiespeicherung zu beschleunigen.
Diese Studie untersucht die Stabilität von kontinuierlichen Quantenwalks in verschiedenen Netzwerktypen unter verschiedenen Dekohärenzmodellen und zeigt, dass die Stabilität von der Netzwerktopologie, dem Dekohärenzmechanismus und der zentralen Lage des Startknotens abhängt, wobei ein fundamentaler Kompromiss zwischen Lokalisierung und Kohärenz besteht.
Die Studie zeigt, dass Transferlernen mit Generativen Adversarial Networks (GANs) effektiv genutzt werden kann, um physikalische Informationen von synthetischen Neutrino-Kohlenstoff-Streudaten auf verwandte Prozesse wie Neutrino-Argon-Wechselwirkungen zu übertragen, wodurch selbst bei begrenzten Statistiken eine hohe Genauigkeit erreicht wird, die Modelle, die von Grund auf neu trainiert wurden, deutlich übertrifft.