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.
Diese Studie zeigt, dass simulationsbasierte Inferenz (SBI) ein vielversprechendes Werkzeug zur präziseren Bestimmung von Modellparametern für neutrinoinduzierte Nukleonen-Knockout-Prozesse ist, da sie im Vergleich zu herkömmlichen Methoden bei der Analyse von MicroBooNE-Daten und der Nachbildung der NuWro-Simulation leicht verbesserte Anpassungsergebnisse liefert.
Die Arbeit stellt ein kontinuierliches Zeit-Modell auf Basis von neuronalen Verzögerungsdifferentialgleichungen vor, das mithilfe des Mori-Zwanzig-Formalismus und des Adjungierten-Verfahrens nicht-Markowsche Dynamiken aus teilweise beobachtbaren Daten lernt und dabei bestehende Methoden wie LSTMs und ANODEs übertrifft.
Diese Arbeit erweitert das etablierte Modell der perkutanen Vertebroplastik unter Verwendung der Theorie poröser Medien um nicht-isotherme Bedingungen und lokale thermische Nichtgleichgewichte, um den Einfluss der niedrigeren Zementtemperatur auf den Injektionsprozess in Wirbelknochen thermodynamisch konsistent abzubilden.
Diese Arbeit stellt einen neuen Monte-Carlo-Algorithmus für zeitabhängige Teilchentransportprobleme vor, der eine globale Varianzreduktion durch automatische Gewichts-Fenster erreicht, deren Parameter auf der Lösung eines hybriden Monte-Carlo/deterministischen Hilfsproblems basieren, das durch die niedrigstufigen Gleichungen für das zweite Moment (LOSM) unter Verwendung von Filtertechniken zur Rauschunterdrückung gelöst wird.
Diese Studie stellt ein physik-informiertes neuronales Operator-Modell (PINO) vor, das die Retention-Analyse von ferroelektrischen vertikalen NAND-Speichern um mehr als das 10.000-fache im Vergleich zu herkömmlichen TCAD-Simulationen beschleunigt, indem es physikalische Prinzipien in die Lernarchitektur integriert, um die komplexe Wechselwirkung zwischen Ladungsentfesselung und ferroelektrischer Depolarisation effizient zu modellieren.
Die Studie demonstriert, dass das maschinelle Lernen der zwei-Elektronen-reduzierten Dichtematrix (2-RDM) eine hochpräzise, trainingsfreie Methode bietet, um korrelierte elektronische Strukturen und Kräfte für große Moleküle und kondensierte Phasen (wie Glukose in 500 Wassermolekülen) mit Coupled-Cluster-Qualität bei Hartree-Fock-Kosten vorherzusagen.
Diese Studie entwickelt und analysiert Mixture-of-Experts-Architekturen für maschinelle Lernpotenziale, die durch spärliche Aktivierung und elementweise Routing-Strategien nicht nur eine state-of-the-art Genauigkeit auf mehreren Benchmarks erreichen, sondern auch chemisch interpretierbare Spezialisierungen der Experten aufzeigen.
Die Studie führt das gewichtete planare stochastische poröse Gitter (WPSPL) ein, ein multifraktaler, skalenfreier Untergrund, auf dem die Perkolation untersucht wird und zeigt, dass die kritischen Exponenten kontinuierlich vom Porositätsparameter abhängen, was auf eine Familie unterschiedlicher Universalitätsklassen hindeutet, die sich von denen konventioneller zweidimensionaler Gitter unterscheiden.
Die Studie zeigt, dass sich das makroskopische Verhalten von Zweiphasenströmungen in porösen Medien durch eine auf dem Maximum-Entropie-Prinzip und maschinellem Lernen basierende Abbildung auf ein Spin-Glas-Modell erfolgreich vorhersagen lässt, wobei der Übergang in die glasartige Phase des Modells mit einem nichtlinearen Strömungsregime und Hysterese korreliert.
Die Arbeit stellt NATPS vor, eine neue Methode zur effizienten Untersuchung seltener nichtadiabatischer Reaktionen in der Photochemie, die die Mapping Approach to Surface Hopping (MASH)-Dynamik mit dem Transition Path Sampling (TPS)-Rahmenwerk kombiniert, um reaktive Trajektorien mit deutlich geringerem Rechenaufwand zu generieren.