133 Arbeiten
Diese Arbeit stellt eine optimierte Formulierung der Hotspot-Kostenfunktion mit vorgeschalteter Interpolation vor, um die Genauigkeit und Zuverlässigkeit der absoluten Plattenbewegungsrekonstruktionen im optAPM-Modell zu verbessern.
Diese Arbeit stellt ein allgemeines Framework vor, bei dem ein trainierbarer Aufmerksamkeitsmechanismus lernt, wie und wo physikalische dynamische Systeme gemessen werden müssen, um die Extraktion nützlicher Informationen für maschinelles Lernen zu optimieren und so die Vorhersagegenauigkeit bei chaotischen Systemen erheblich zu steigern.
Die Autoren stellen eine GPU-beschleunigte Zwei-Ebenen-Erweiterung für mumax+ vor, die eine effiziente Simulation kohärenter und dissipativer Koppelmuster zwischen Mikrowellenkavität-Photonen und Magnonen in Ferro- sowie Antiferromagneten ermöglicht und dabei sowohl räumlich aufgelöste Modenprofile als auch komplexe Quanteneffekte wie den Übergang von Level-Abstoßung zu Level-Anziehung abbildet.
Die Arbeit stellt eine einfache numerische Methode zur Erzeugung relativistischer Maxwell-Verteilungen mittels inverser Transformationsstichproben vor, die auf einer invertierbaren Näherung der kumulativen Verteilungsfunktion einer verschobenen Maxwell-Energieverteilung basiert und deren Genauigkeit durch numerische Tests bestätigt wird.
Die Autoren stellen eine Zeitbereichsmethode auf Basis der diskontinuierlichen Galerkin-Methode vor, die eine präzise numerische Berechnung von Casimir-Kräften für komplexe Geometrien und Materialeigenschaften bei endlichen Temperaturen ermöglicht, indem sie die Maxwell-Spannungstensoren in klassische Streuprobleme umformuliert.
Die Studie stellt ein auf Fourier-Neural-Operatoren basierendes Surrogatmodell vor, das die Protonen-Transporte und die Neutronenproduktion in der Protonentherapie mit Monte-Carlo-Genauigkeit innerhalb von Sekunden vorhersagt und somit Echtzeit-Anwendungen wie die adaptive Reichweitenverifikation ermöglicht.
Die Autoren stellen eine neuartige Gradientenregularisierung vor, die im meshless Magnetohydrodynamik-Verfahren durch eine implizite Projektionsmethode den magnetischen Divergenzfehler auf Maschinengenauigkeit eliminiert und damit signifikante Verbesserungen gegenüber der konventionellen Constrained-Gradient-Technik sowie dem GIZMO-Code erzielt.
Die Autoren analysieren die Diskrepanz zwischen zeitkontinuierlichen Modellen und zeitdiskreten Mess-Rückkopplungs-Architekturen bei Ising-Maschinen, die zu einer erhöhten Hyperparameter-Empfindlichkeit führt, und stellen eine experimentell validierte Methode vor, um diese Empfindlichkeit zu verringern.
Diese Arbeit stellt die Entwicklung eines umfassenden Refraktärlegierungs-Datenbank und zweier effizienter, maschinell gelernter Interatomarpotenziale (tabGAP und NEP) vor, die durch eine innovative Kreuz-Sampling-Strategie trainiert wurden, um präzise Simulationen von Phasenübergängen, Korngrenzen und Strahlenschäden in komplexen Mehrphasen-Refraktärlegierungen zu ermöglichen.
In dieser Arbeit wird ein präziser und recheneffizienter maschinell gelernter Interatomar-Potential für TiC-MXene entwickelt, der erfolgreich zur Simulation von Ionenbestrahlung eingesetzt wird, um Einblicke in Defektbildung und Sputterprozesse zu gewinnen und somit Leitlinien für das Defekt-Engineering sowie eine Vorlage für zukünftige ML-Simulationen anderer MXene zu liefern.
Die Studie zeigt, dass in der zweidimensionalen Bismut-Monolage geladene ferroelektrische Domänenwände energetisch günstiger sind und topologische Grenzflächenzustände aufweisen, die durch intrinsische elektrische Felder eine Bandüberkreuzung auf Fermi-Niveau erzeugen und somit vielversprechende Anwendungen für Domänenwand-basierte Bauelemente eröffnen.
Die Studie stellt GET-SEI vor, ein allgemeines Framework, das mittels Graph-Contrastive-Learning, erweiterter dynamischer Modenzerlegung und Übergangspfadttheorie die Lithiumdynamik in der Festelektrolyt-Grenzschicht verschiedener Festelektrolytsysteme analysiert, um dominante Transportpfade und kinetische Engpässe für das gezielte SEI-Engineering zu identifizieren.
Die Studie stellt ChemNavigator vor, ein autonomes KI-System, das durch hypothesengeleitete Exploration und Multi-Agenten-Architektur sechs statistisch signifikante, chemisch fundierte Designregeln für organische Photokatalysatoren ableitet und damit menschliche Intuition ergänzt.