🔬 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.

Magnetism Induced by Azanide and Ammonia Adsorption in Defective Molybdenum Disulfide and Diselenide: A First-Principles Study

Diese First-Principles-Studie zeigt, dass zwar ungestörte Chalkogen-Vakanzen in MoS2_2 und MoSe2_2 keinen Magnetismus induzieren, die Adsorption von Azanid (NH2_2) und Ammoniak (NH3_3) auf diesen defektbehafteten Monolagen jedoch lokalisierte magnetische Momente erzeugt, wobei MoSe2_2 bei der Dissoziation von NH3_3 ein bemerkenswertes Moment von 2,0 μB\mu_B aufweist, wodurch eine praktikable Strategie zur Abstimmung des Magnetismus in 2D-Materialien für spintronische Anwendungen aufgezeigt wird.

Guilherme S. L. Fabris, Bruno Ipaves, Raphael B. Oliveira, Humberto R. Gutierrez, Marcelo L. Pereira Junior, Douglas S. Galvão2026-01-30🔬 cond-mat.mtrl-sci

Accelerated Inorganic Electrides Discovery by Generative Models and Hierarchical Screening

Diese Arbeit präsentiert ein auf generativen Modellen basierendes Framework in Kombination mit hierarchischem thermodynamischem und elektronischem Screening, um erfolgreich 13 neue thermodynamisch stabile Elektride und 264 elektronenreiche Verbindungen aus tausenden chemischen Zusammensetzungen zu identifizieren und damit die Entdeckung von Materialien mit außergewöhnlichen elektronischen Eigenschaften zu beschleunigen.

Shuo Tao, Qiang Zhu2026-01-30🔬 cond-mat.mtrl-sci

A Hybrid semi-Lagrangian Flow Mapping Approach for Vlasov Systems: Combining Iterative and Compositional Flow Maps

Dieses Paper schlägt ein hybrides semi-Lagrangesches Schema für die Vlasov-Poisson-Gleichung vor, das die konservative lokale Zeitschrittmethode der Numerical Flow Iteration (NuFI) synergetisch mit der effizienten globalen Submap-Komposition der Characteristic Mapping Method (CMM) kombiniert, um ein Gleichgewicht zwischen Rechenaufwand, Speicheranforderungen und struktureller Erhaltung zu erreichen.

Philipp Krah, Zetao Lin, R. -Paul Wilhelm, Fabio Bacchini, Jean-Christophe Nave, Virginie Grandgirard, Kai Schneider2026-01-30🔢 math

MEIDNet: Multimodal generative AI framework for inverse materials design

Dieses Paper stellt MEIDNet vor, ein multimodales generatives KI-Framework, das äquivariante Graph-neuronale Netze und kontrastives Lernen kombiniert, um das inverse Design neuartiger, stabiler Materialien mit gezielten Eigenschaften effizient zu beschleunigen, wie die erfolgreiche Generierung von Perowskiten mit geringer Bandlücke demonstriert.

Anand Babu, Rogério Almeida Gouvêa, Pierre Vandergheynst, Gian-Marco Rignanese2026-01-30🔬 cond-mat.mtrl-sci

Loss Landscape Geometry and the Learning of Symmetries: Or, What Influence Functions Reveal About Robust Generalization

Dieses Paper führt ein auf Einfluss basierendes Diagnoseverfahren ein, das die lokale Geometrie der Verlustlandschaft analysiert, um zu bestimmen, ob neuronale Emulatoren partieller Differentialgleichungen physikalische Symmetrien erfolgreich internalisiert haben, indem es die Kohärenz von Gradientenaktualisierungen entlang symmetriebezogener Orbits misst, und bietet damit eine neuartige Methode zur Bewertung robuster Generalisierung jenseits standardmäßiger Vorwärts-Durchgangs-Tests.

James Amarel, Robyn Miller, Nicolas Hengartner, Benjamin Migliori, Emily Casleton, Alexei Skurikhin, Earl Lawrence, Gerd J. Kunde2026-01-29🤖 cs.LG

Quantum statistics from classical simulations via generative Gibbs sampling

Das Papier stellt GG-PI vor, ein recheneffizientes Framework, das generative Modellierung und Gibbs-Sampling auf klassischen Simulationsdaten nutzt, um nukleare Quanteneffekte präzise wiederherzustellen und diese ohne erneutes Training über Temperaturen hinweg zu übertragen, wobei es die traditionelle Pfadintegral-Molekulardynamik signifikant übertrifft.

Weizhou Wang, Xuanxi Zhang, Jonathan Weare, Aaron R. Dinner2026-01-29🔬 cond-mat

Numerically Consistent Non-Boussinesq Subgrid-scale Stress Model with Enhanced Convergence

Diese Arbeit präsentiert ein numerisch konsistentes, Nicht-Boussinesq-Subgrid-Scale-Spannungsmodell für die Large-Eddy-Simulation, das Datenassimilation und Multi-Task-Learning nutzt, um im Vergleich zum dynamischen Smagorinsky-Modell eine verbesserte Konvergenz sowie präzisere Vorhersagen turbulenter Grenzschichten unter ungünstigen Druckgradienten zu erreichen.

Yuenong Ling, Adrián Lozano-Durán2026-01-29🔬 physics

High-order exponential solver method for particle-in-cell simulations

Diese Arbeit stellt einen Finite-Differenzen-Solver im Exponentialzeitbereich für Teilchen-in-einem-Zell-Simulationen vor, der die Lücke zwischen Standard-Finite-Differenzen- und Spektralmethoden schließt, indem er eine hohe Genauigkeit und verbesserte Lokalität in 3D bietet, während er seine Effektivität durch verschiedene Benchmarks der Laser-Plasma-Wechselwirkung demonstriert.

Szilárd Majorosi, Nasr Hafz, Zsolt Lécz2026-01-28🔬 physics

A finite element solver for a thermodynamically consistent electrolyte model

Diese Arbeit präsentiert einen thermodynamisch konsistenten, auf der Finite-Elemente-Methode basierenden Elektrolyt-Solver, implementiert in FEniCSx, der den multikomponentigen Ionentransport durch die Berücksichtigung von sterischen Effekten, Solvatisierung und Druckkopplung präzise modelliert und dadurch die physikalische Treue sowie die numerische Stabilität gegenüber klassischen Frameworks für hochkonzentrierte elektrochemische Systeme verbessert.

Jan Habscheid, Satyvir Singh, Lambert Theisen, Stefanie Braun, Manuel Torrilhon2026-01-28💻 cs