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.
Diese Studie bewertet die Leistungsfähigkeit des EUCLID-Frameworks zur automatisierten Entdeckung hyperelastischer Materialgesetze anhand experimenteller Daten von Naturkautschuk und vergleicht dessen Vorhersagegenauigkeit sowie Generalisierungsfähigkeit mit der herkömmlichen Identifizierung vordefinierter Modelle unter Verwendung globaler und lokaler Messdaten.
Das Open-Source-Python-Paket `diffpy.morph` ermöglicht den modellunabhängigen Vergleich von 1D-Spektren, indem es durch gezielte Transformationen („Morphs“) unerwünschte Unterschiede wie experimentelle Inkonsistenzen oder thermische Effekte eliminiert, um wissenschaftlich relevante Veränderungen in Diffraktions- oder PDF-Daten sichtbar zu machen.
Diese Arbeit präsentiert ein physikinformiertes, multimodales bedingtes Mischmodell auf Basis von Mixture Density Networks (MDNs), das durch komponenten-spezifische Regularisierung physikalische Gesetzmäßigkeiten integriert und bei wissenschaftlichen Problemen mit nicht-eindeutigen Lösungen eine effiziente sowie interpretierbare Alternative zu modernen generativen Modellen wie Conditional Flow Matching bietet.
Diese Arbeit untersucht systematisch, wie Inkonsistenzen zwischen experimentellen Daten und physikalischen Gleichungen die Genauigkeit von Physics-Informed Neural Networks (PINNs) begrenzen, und führt das Konzept einer „Konsistenzbarriere“ ein, die als intrinsische Fehlerschranke fungiert.
Diese Studie untersucht die Dynamik der Elektronenladung und die Ladungstrennung mittels Reaktionstheorie und zeigt auf, dass die quadratische Reaktionstheorie im Gegensatz zur linearen Reaktionstheorie die notwendigen Elemente für eine präzise Beschreibung der Ladungsdynamik liefert.
Diese First-Principles-DFT-Untersuchung zeigt, dass die Hydride () thermodynamisch stabil sind, wobei aufgrund seiner hohen Wasserstoffspeicherkapazität von 4,005 Gew.-% das vielversprechendste Material für die Wasserstoffspeicherung darstellt.
Diese Arbeit stellt ein effizientes, hochauflösendes Gas-Kinetik-Schema in einer Arbitrary-Lagrangian-Eulerian-Formulierung vor, das durch eine zeitgenaue Ein-Stufen-Flussberechnung und eine vereinfachte kompakte Rekonstruktion sowohl die Genauigkeit bei Diskontinuitäten als auch die Recheneffizienz signifikant steigert.
Diese Arbeit präsentiert eine neue Machine-Learning-Methodik, die durch den Einsatz von Langstrecken-Deskriptoren die elektronische Dichte in großskaligen Moiré-Supergittern präzise vorhersagt und so die effiziente Modellierung komplexer Quantenphänomene in 2D-Materialien ermöglicht.
Diese Arbeit stellt einen auf differenzierbarer Programmierung basierenden Lösungsalgorithmus vor, der durch die Kombination von numerischer Strömungsmechanik und maschinellem Lernen eine einheitliche, gradientenbasierte Optimierung für Simulationen in kontinuierlichen und rarefizierten Strömungsregimen ermöglicht.
Diese Arbeit zeigt, dass eine optimierte Parameterstrategie für das „Weighted Ensemble“-Verfahren die Varianz der Schätzungen für mittlere erste Passagenzeiten (MFPT) bei komplexen, hochdimensionalen molekularen Faltungsprozessen signifikant reduziert.