🔬 Category

physics.comp-ph

922 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.

Physics Constrained Neural Collision Operators for Variable Hard Sphere Surrogates and Ab Initio Angle Prediction in Direct Simulation Monte Carlo

Diese Arbeit stellt ein physikalisches, neuronales Operator-Framework vor, das die Rechenkosten der Direct Simulation Monte Carlo-Methode für nichtgleichgewichtige verdünnte Gase senkt, indem es ein stochastisches neuronales Kollisionskern-Modell für Variable-Harte-Kugel-Surrogate und einen effizienten \emph{ab initio}-Operator zur Vorhersage von Streuwinkeln kombiniert, wodurch physikalische Erhaltungssätze gewahrt und eine hohe Generalisierungsfähigkeit ohne Nachtraining erreicht wird.

Ehsan Roohi, Ahmad Shoja-Sani, Stefan Stefanov2026-02-26🔬 physics

Emergent Rate Laws for Collective Lying-Standing Transitions

Die Studie entwickelt ein quantitatives Modell, das zeigt, wie die kollektive Kinetik von Liegen-Stehen-Übergängen an organisch-anorganischen Grenzflächen durch gekoppelte mikroskopische Prozesse und geometrische Faktoren bestimmt wird, und leitet daraus eine analytische Ausdrucksform für die Reorientierungsraten ab, die als Designprinzip für die Steuerung dieser Übergänge dient.

Anna Werkovits, Simon B. Hollweger, Oliver T. Hofmann2026-02-26🔬 physics

MBD-ML: Many-body dispersion from machine learning for molecules and materials

Die Arbeit stellt MBD-ML vor, ein vortrainiertes Message-Passing-Neurales Netzwerk, das aus atomaren Strukturen direkt die für die Many-Body-Dispersion (MBD)-Methode erforderlichen Eigenschaften vorhersagt und so eine effiziente, elektronenstruktur-unabhängige Integration genauer Van-der-Waals-Wechselwirkungen in Kraftfelder und elektronische Strukturcodes ermöglicht.

Evgeny Moerman, Adil Kabylda, Almaz Khabibrakhmanov, Alexandre Tkatchenko2026-02-26🔬 cond-mat.mtrl-sci

Self-gravity in thin protoplanetary discs: 1. The smoothing-length approximation versus the exact self-gravity kernel

Die Autoren entwickeln einen exakten Selbstgravitationskern für dünne protoplanetare Scheiben, der die Beschränkungen der herkömmlichen Glättungslängen-Näherung überwindet, die vertikale Struktur berücksichtigt und eine präzisere, rechnerisch effiziente Behandlung von Gravitationsinstabilitäten ermöglicht.

S. Rendon Restrepo, T. Rometsch, U. Ziegler, O. Gressel2026-02-25🔭 astro-ph

Enhancing Heat Sink Efficiency in MOSFETs using Physics Informed Neural Networks: A Systematic Study on Coolant Velocity Estimation

Diese Arbeit stellt eine Methode vor, die Physics Informed Neural Networks (PINNs) mit sequentiellem Training nutzt, um die für die effektive Kühlung von MOSFETs erforderliche Kühlmittelgeschwindigkeit als inverses Problem präzise zu bestimmen und dabei experimentelle Ergebnisse bestätigt.

Aniruddha Bora, Isabel K. Alvarez, Julie Chalfant, Chryssostomos Chryssostomidis2026-02-25🤖 cs.AI

Combining Quasiparticle Self-Consistent $GW$ and Machine-Learned DFT+UU in Search of Half-Metallic Heuslers

Diese Studie kombiniert quasipartikel-selbstkonsistente GW-Rechnungen mit maschinell gelernten DFT+U-Korrekturen, um halbmetallische Heusler-Verbindungen zu identifizieren, die für Spintronik-Anwendungen auf InAs-Substraten geeignet sind, und stellt dabei fest, dass Co₂TiSn und Co₂ZrAl die vielversprechendsten Kandidaten sind.

Zefeng Cai, Malcolm J. A. Jardine, Maituo Yu, Chenbo Min, Jiatian Wu, Hantian Liu, Derek Dardzinski, Christopher J. Palmstrøm, Noa Marom2026-02-25🔬 cond-mat.mtrl-sci