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 Autoren stellen einen neuartigen, domänenspezifischen Deskriptor und ein Phasenkorrekturverfahren vor, die es erstmals ermöglichen, nichtadiabatische Kopplungsvektoren mit einer Genauigkeit von über maschinell zu lernen und so präzise, voll ML-gesteuerte Fewest-Switches-Oberflächenspringen-Simulationen (FSSH) für Fulven zu ermöglichen.
Die Arbeit stellt einen Algorithmus vor, der mittels Finite-Differenzen-Methode und Vergleich mit analytischen Lösungen die K-Matrix, Streupole und Streuamplituden für die inelastische Streuung von Teilchen mit Spin aus radialen Schrödinger-Gleichungen berechnet.
Die Autoren lösen die Instabilität des Wang-Teter-Kinetischen-Energie-Dichtefunktional bei isolierten Systemen durch die Einführung eines dichteabhängigen Kerns, wodurch eine signifikante Genauigkeitssteigerung bei atomaren Systemen erreicht wird, ohne die Effizienz oder die hohe Präzision in Bulk-Metallen zu beeinträchtigen.
Diese Arbeit stellt ein konsistentes kinetisches Modellierungs- und Diskretisierungskonzept für kompressible Strömungen vor, das mithilfe eines Quasi-Gleichgewichtsansatzes in Doppelverteilungsrahmen eine genaue und stabile Simulation über den gesamten Bereich von Prandtl-Zahlen und spezifischen Wärmekapazitätsverhältnissen hinweg ermöglicht.
Diese Arbeit kombiniert skalare Hilfsvariablen-Techniken mit neuronalen gewöhnlichen Differentialgleichungen, um ein stabiles, differenzierbares Modell zu entwickeln, das nichtlineare Dynamiken lernt und physikalische Parameter ohne Encoder direkt zugänglich macht, was an einem synthetischen Beispiel für die nichtlineare transversale Schwingung einer Saite demonstriert wird.
Diese Arbeit stellt einen auf Hadamard-Regularisierung basierenden Zeitschritt-Algorithmus für die Kadanoff-Baym-Gleichungen im Schwinger-Keldysh-Formalismus vor, der die numerische Skalierung bei der Simulation offener Quantensysteme mit stark getrennten Zeitskalen reduziert und dabei nicht-Markovsche Effekte sowie Renormierungseffekte erfasst.
Die Autoren stellen TT-Metadynamics vor, eine skalierbare Methode, die durch die Kompression des Bias-Potenzials in eine Tensor-Train-Darstellung die effiziente Berechnung freier Energien in hochdimensionalen Systemen mit bis zu 14 kollektiven Variablen ermöglicht.
Diese Studie nutzt maschinelles Lernen, um eine hierarchische Vorhersagbarkeit von Extremereignissen in der Turbulenz aufzudecken, die durch die Persistenz kohärenter Strukturen auf großen Skalen bestimmt wird.
Die Studie beschreibt ein Modell (FIU) auf gewichteten Graphen, das einen scharfen Phasenübergang bei aufweist, bei dem Informationsfluss und Strukturbildung korrelieren, und identifiziert eine spontane dimensionsabhängige Sensitivität einer Poisson-Beziehung zwischen spektraler Krümmung und Informationsfluss, die ohne explizite Dimensionsparameter auskommt und auf topologische Frustration im mesoskopischen Bereich hindeutet.
Diese Arbeit stellt ein auf der Topologieoptimierung basierendes Framework vor, das durch die Einführung einer säulenbasierten Parametrisierung und der Einbeziehung von Fertigungsbeschränkungen breitbandige, herstellbare blazierte Metasurfaces im sichtbaren und nahen Infrarotbereich mit hoher Beugungseffizienz ermöglicht.