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 eine Methode vor, die auf der Straight-Through-Gumbel-Softmax-Schätzung basiert, um durch exakte stochastische Simulationen differenzierbare Gradienten zu berechnen, was eine effiziente Parameterschätzung und inverses Design in biologischen und physikalischen Systemen ermöglicht.
Die Arbeit stellt TAPINN vor, einen Topologie-bewussten Physics-Informed Neural Network-Ansatz, der durch überwachtes metrisches Regularisieren und einen alternierenden Optimierungsprozess die Modellierung von dynamischen Systemen mit scharfen Regimewechseln verbessert und dabei signifikant niedrigere physikalische Residuen sowie eine stabilere Konvergenz im Vergleich zu Standard-PINNs und Hypernetzwerken erreicht.
Die Studie zeigt, dass die Integration von Kolmogorov-Arnold-Netzwerken (KANs) in hard-constrained recurrent physics-informed Architekturen im Vergleich zu herkömmlichen MLPs aufgrund von Hyperparameter-Fragilität, Instabilität in tieferen Schichten und Versagen bei multiplikativen Termen für die Entdeckung nichtlinearer physikalischer Residuen ungeeignet ist.
Diese Studie führt den ersten systematischen Vergleich von sieben Hydrodynamik-Codes durch, die die Streaming-Instabilität in unstratifizierten Modellen mit schwach gekoppelten Staubkörnern untersuchen, und zeigt, dass alle Codes qualitativ übereinstimmende Verhaltensmuster aufweisen, während quantitative Unterschiede bei moderater Auflösung primär von der Staubmodellierung abhängen und sich bei höherer Auflösung sowie durch den Einsatz von GPUs für eine bessere Energieeffizienz und Skalierbarkeit ausgleichen lassen.
Diese Studie stellt einen inversen Designansatz mittels Topologieoptimierung und frequenzbasierter Mikromagnetik vor, der genetische Algorithmen nutzt, um neuartige zweidimensionale magnonische Kristalle mit großen Bandlücken zu entdecken und zu validieren.
Diese Studie stellt „Ara" vor, einen auf einem Large Language Model basierenden Agenten, der durch die Anwendung chemischer Vorwissen und donor-akzeptor-Theorie die inverse Suche nach stabilen und aktiven kovalenten organischen Gerüsten (COFs) für die photokatalytische Wasserstoffproduktion effizienter gestaltet als herkömmliche Suchmethoden.
Die Studie erweitert die Spin-Gitter-Relaxationstheorie um Drei-Phonon-Prozesse und bestätigt für einen Chromnitrid-Komplex die Gültigkeit der schwachen Spin-Phonon-Kopplung, zeigt jedoch, dass stärkere Kopplungen Drei-Phonon-Effekte bereits bei Raumtemperatur relevant machen könnten.
Dieser Artikel stellt ein raumzeitliches Galerkin-Randelementverfahren im Zeitbereich vor, das durch seine Stabilität und Effizienz bei der Simulation aeroakustischer Streu- und Abschirmphänomene komplexer Quellen wie Propeller überzeugt und sowohl durch analytische Validierung als auch durch den erfolgreichen Abgleich mit experimentellen Messdaten bestätigt wird.
Die Autoren stellen das Open Polymers 2026 (OPoly26)-Dataset vor, das über 6,57 Millionen DFT-Berechnungen an polymerbasierten Clustern umfasst, um die bisherige Lücke in maschinellen Lernmodellen für Polymere zu schließen und deren Vorhersagegenauigkeit sowie die Entwicklung universeller atomistischer Modelle zu verbessern.
Die vorgestellte Arbeit überwindet die kombinatorische Komplexität der Kristallstrukturvorhersage durch ein neuartiges, symmetriebasiertes generatives Framework, das Large Language Models zur Erzeugung von Wyckoff-Mustern mit einem effizienten Heuristik-Beam-Search-Algorithmus kombiniert, um physikalisch valide und database-unabhängige Entwürfe neuer Materialien zu ermöglichen.