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 Arbeit stellt eine erste-prinzipien-Theorie für Vakuum-Wannier-Funktionen vor, die Tight-Binding- und nahezu-freie-Elektronen-Beschreibungen an Festkörper-Vakuum-Grenzflächen vereint und präzise Photoemissionsberechnungen ohne semiempirische Vakuumpotenziale ermöglicht.
Die Arbeit stellt Multi-State Importance Sampling und Excited Pfaffians vor, eine neue neuronale Wellenfunktionsarchitektur, die es ermöglicht, viele angeregte Zustände und Potentialenergieflächen mit nahezu konstantem Stichprobenaufwand effizient und skalierbar zu berechnen.
Die Autoren stellen ein robustes, auf einem 1D-CNN basierendes Deep-Learning-Framework vor, das die Echtzeitanalyse von ODMR-Spektren von Stickstoff-Fehlstellen-Zentren in Diamant ermöglicht und dabei herkömmliche nichtlineare Anpassungsverfahren in Bezug auf Geschwindigkeit, Genauigkeit und Robustheit, insbesondere bei niedrigem Signal-Rausch-Verhältnis, übertrifft.
Diese Arbeit stellt einen skalierbaren Ansatz vor, der das neuronale Netzwerk-Backflow-Verfahren durch eine zweistufige Beschneidungsstrategie erfolgreich auf ab-initio-Festkörpersysteme anwendet und dabei in Benchmark-Tests für Materialien wie Wasserstoffketten, Graphen und Silizium state-of-the-art-Genauigkeit bei stark korrelierten Systemen erreicht.
Diese Arbeit demonstriert, wie ein menschlicher Autor einen vollständig reproduzierbaren wissenschaftlichen Workflow mit KI-Unterstützung für kanonische Benchmark-Probleme in Physik und Informatik erstellt, um zu zeigen, dass KI als vertrauenswürdiger Copilot für Ableitung, Implementierung und Validierung dienen kann, solange jeder Schritt durch etablierte Theorien und explizite Verifizierung kontrolliert wird.
Die Studie zeigt, dass ein hypothetisches Netzwerk aus 175 seafloor-Drucksensoren in der Cascadia-Subduktionszone mithilfe eines Bayes'schen Inversionsrahmens mit Offline-Vorverarbeitung und Online-Datenassimilation in Echtzeit probabilistische Tsunami-Vorhersagen mit geringen Fehlerraten ermöglicht.
Die Studie stellt ein neuartiges CAE-NODE-Framework vor, das durch die Kombination von Convolutional Autoencodern und neuronalen ODEs eine hochpräzise, reduzierte Modellierung der transienten Dynamik von zweidimensionalen Gegenstromflammen ermöglicht und dabei die räumlichen Korrelationen effizient komprimiert sowie den gesamten Verbrennungsprozess mit Fehlern unter 2 % vorhersagt.
Das Paper stellt ANNA vor, ein MATLAB- und Python-basiertes Werkzeugkasten zur effizienten Berechnung der Newtonschen Rauschbeiträge für das Einstein-Teleskop durch Integration von seismischen Wellenfeldern auf Finite-Elemente-Meshes, wobei die Genauigkeit der Methode durch hervorragende Übereinstimmung mit analytischen Lösungen für homogene Medien bestätigt wird.
Die vorgestellte Arbeit entwickelt eine leichte Nachbearbeitungsmethode, die mithilfe von Finite-Differenzen-Verfahren punktgenaue Fehlerabschätzungen für PINN-Vorhersagen bei linearen partiellen Differentialgleichungen erzeugt, um deren Zuverlässigkeit ohne Kenntnis der wahren Lösung zu validieren.
Diese Arbeit stellt physik-informierte neuronale Netze und einen neuartigen hybriden Waveguide Neural Operator vor, die die Beugung von EUV-Wellen an Lithographiemasken mit hoher Genauigkeit und deutlich reduzierter Rechenzeit im Vergleich zu herkömmlichen numerischen Lösern simulieren und damit die Optimierung zukünftiger Masken beschleunigen.