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.
Die vorliegende Arbeit führt die -Gauss-Logistische Abbildung als neues nichtlineares dynamisches System ein und zeigt auf, dass der Übergang zum Chaos je nach Parameter entweder durch periodische Verdopplungskaskaden oder abrupt erfolgt, wobei für den Spezialfall analytische Lösungen für den Lyapunov-Exponenten und die Invarianzdichte gefunden werden können.
Diese Arbeit präsentiert eine neue Volumenstrafmethode (Volume Penalization), mit der akustisch angetriebene Strömungen in komplexen Mikrokanälen effizient simuliert werden können, indem die nichtlineare Antwort des Fluids in ein harmonisches Problem erster Ordnung und ein zeitgemitteltes Problem zweiter Ordnung zerlegt wird.
Durch die Kombination von maschinellem Lernen und computergestützter Vibrationsspektroskopie zeigt diese Arbeit, wie der Oxidationsgrad von Graphen die Struktur des Grenzflächenwassers verändert, und liefert so einen präzisen spektroskopischen Fingerabdruck zur Charakterisierung der Graphen/Wasser-Grenzfläche.
Diese Studie präsentiert einen Active-Learning-Ansatz zur Verbesserung der Vorhersage der Mischungsenthalpie in binären Flüssigkeiten, wobei durch gezielte Ab-initio-Molekulardynamik-Simulationen insbesondere die Datenlage für Legierungen mit refraktären Elementen optimiert wurde.
Die vorgestellte Methode der datengestützten quanten-klassischen Dynamik (DIQCD) ermöglicht es, die Entwicklung offener Quantensysteme durch die Optimierung einer zeitabhängigen Lindblad-Gleichung präzise aus spärlichen und verrauschten Daten vorherzusagen.
Diese Arbeit untersucht die Anwendung von Tensor-Netzwerk-Methoden als quanteninspirierte Ansätze zur Effizienzsteigerung bei der Bildkompression sowie bei optischen Prozessen wie der Wellenfrontausbreitung und der Bildentstehung.
In dieser Arbeit werden vier maschinell gelernte interatomare Potentiale (ACE, MACE, GAP und tabGAP) entwickelt und evaluiert, die eine DFT-genaue Simulation von Strahlenschäden und Defektstrukturen in Hochtemperatur-Supraleitern wie YBCO ermöglichen.
Diese Arbeit stellt ein effizientes Framework vor, das Kolmogorov-Arnold-Netzwerke (KANs) mit der Level-Set-Methode kombiniert, um komplexe bewegliche Grenzprobleme (Moving Boundary Problems) durch physik-informierte Residuen präzise und kompakt zu lösen.
Diese Arbeit nutzt Atomsimulationen und maschinelles Lernen, um die lokalen Gleitwiderstände von Versetzungen in refraktären Multi-Hauptkomponenten-Legierungen zu untersuchen und ein Modell zur Vorhersage der makroskopischen Fließspannung auf Basis von Materialeigenschaften wie elastischer Anisotropie und Gitterverzerrung zu entwickeln.
DISCOVER ist ein neues Open-Source-Framework für die symbolische Regression, das durch physikgestützte Designprinzipien, kontrollierbare Suchräume und GPU-Beschleunigung die effiziente und interpretierbare Entdeckung mathematischer Zusammenhänge in der Materialwissenschaft und Computerphysik ermöglicht.