🔬 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.

Frequency-domain general synthetic iterative scheme for efficient simulation of oscillatory rarefied gas flows

Dieses Paper führt ein frequenzbereichs-basiertes allgemeines synthetisches iteratives Schema (GSIS) ein, das oszillierende verdünnte Gasströmungen effizient simuliert, indem es mesoskopische kinetische und makroskopische synthetische Gleichungen koppelt, um Superkonvergenz und asymptotisch erhaltende Eigenschaften zu erreichen, wodurch es in der Nähe des Kontinuums bis zu drei Größenordnungen schneller als konventionelle Methoden ist.

Pengshuo Li, Lei Wu2026-01-27🔬 physics

cuGUGA: Operator-Direct Graphical Unitary Group Approach Accelerated with CUDA

Das Paper stellt cuGUGA vor, einen leistungsstarken, GPU-beschleunigten, operator-direkten Graphical Unitary Group Approach (GUGA) Configuration Interaction Solver, der konstante Zeitalgorithmen und maßgeschneiderte CUDA-Kernel nutzt, um signifikante Beschleunigungen gegenüber bestehenden CPU- und PySCF-Implementierungen für kleine bis mittlere aktive Räume zu erzielen, während gleichzeitig eine hohe numerische Genauigkeit beibehalten wird.

Zihan Pengmei2026-01-27🔬 physics

An exploration of lateral optical forces from a triangular periodic motif

Diese computergestützte Studie zeigt auf, dass asymmetrische, isoskesele dreieckige dielektrische Nanostrukturen ausgeprägte laterale optische Kraftantworten aufweisen, einschließlich stabiler Zonen und abrupter Schaltbänder, die durch eine Fano-Resonanz-ähnliche Interferenz zwischen diskreten Eigenmoden und Kontinuumszuständen getrieben werden, wodurch Designrichtlinien für die Steuerung optischer Kräfte durch die Strukturgeometrie bereitgestellt werden.

Bo Gao, Henkjan Gersen, Simon Hanna2026-01-27🔬 physics.optics

Physics-Informed Uncertainty Enables Reliable AI-driven Design

Diese Arbeit führt ein Paradigma der „physikgesteuerten Unsicherheit“ (Physics-Informed Uncertainty) ein, das Verletzungen physikalischer Gesetze als recheneffizienten Ersatz für prädiktive Unsicherheit nutzt und dadurch die Erfolgsrate signifikant erhöht sowie die Rechenkosten für das KI-gestützte inverse Design komplexer frequenzselektiver Oberflächen im Vergleich zu traditionellen Methoden reduziert.

Tingkai Xue, Chin Chun Ooi, Yang Jiang, Luu Trung Pham Duong, Pao-Hsiung Chiu, Weijiang Zhao, Nagarajan Raghavan, My Ha Dao2026-01-27🤖 cs.LG

Defects and Impurity Properties of VN precipitates in ARAFM Steels: Modelling using a Universal Machine Learning Potential and Experimental Validation

Diese Studie kombiniert maschinengestützte Lernpotenziale, Dichtefunktionaltheorie und experimentelle Validierung, um aufzuzeigen, dass geordnete Stickstofffehlstellen in VN-Präzipitaten zwar die Bestrahlungsschäden in ARAFM-Stählen mildern, Legierungsbeigaben wie Chrom jedoch diese Ordnung stören und die Präzipitatauflösung unter fusionsrelevanten Bedingungen beschleunigen.

R. S. Stroud, C. Reynolds, T. Melichar, J. Haley, M. Carter, M. Moody, C. Hardie, D. Bowden, D. Nguyen-Manh, M. R. Wenman2026-01-26🔬 physics.app-ph

Robustly optimal dynamics for active matter reservoir computing

Diese Arbeit identifiziert ein zuvor übersehenes, robust optimales dynamisches Regime im Bereich des Reservoir Computings aktiver Materie – das sich unmittelbar unterhalb einer kritischen Dämpfungsschwelle befindet – welches eine intrinsische mehrstufige Relaxation nutzt, um eine leistungsstarke Informationsverarbeitung über variierende physikalische Parameter und Aufgaben hinweg zu erreichen.

Mario U. Gaimann, Miriam Klopotek2026-01-26🌀 nlin

A Graph Neural Network for the Era of Large Atomistic Models

Dieses Paper stellt DPA3 vor, ein skalierbares, mehrschichtiges Graph-Neural-Network basierend auf Line-Graph-Serien, das Skalierungsgesetzen folgt und eine überlegene Zero-Shot-Generalisierung über diverse atomistische Systeme hinweg demonstriert, wodurch es als hochpräzises Fundamentmodell für groß angelegte atomistische Anwendungen etabliert wird.

Duo Zhang, Anyang Peng, Chun Cai, Wentao Li, Yuanchang Zhou, Jinzhe Zeng, Mingyu Guo, Chengqian Zhang, Bowen Li, Hong Jiang, Tong Zhu, Weile Jia, Linfeng Zhang, Han Wang2026-01-26🔬 physics

Towards Reasoning for PDE Foundation Models: A Reward-Model-Driven Inference-Time-Scaling Algorithm

Dieses Paper führt ein neuartiges Test-Time-Computing-Framework für PDE-Foundation-Modelle ein, das eine belohnungsgesteuerte Inference-Time-Skalierung nutzt, um die Vorhersagegenauigkeit und die Robustheit gegenüber Out-of-Distribution-Daten zu verbessern, insbesondere für kompressible Euler-Gleichungen, indem Rechenressourcen während der Inferenz genutzt werden, anstatt sich ausschließlich auf ein umfangreiches Pretraining zu verlassen.

Siddharth Mansingh, James Amarel, Ragib Arnab, Arvind Mohan, Kamaljeet Singh, Gerd J. Kunde, Nicolas Hengartner, Benjamin Migliori, Emily Casleton, Nathan A. Debardeleben, Ayan Biswas, Diane Oyen, Ear (…)2026-01-26🤖 cs.LG

Physics Informed Differentiable Solvers for Learning Parametric Solution Manifolds in Heterogeneous Physical Systems

Dieses Papier präsentiert ein neuartiges Framework, das Physics-Informed Neural Networks als differenzierbare Solver umformuliert, um effizient kontinuierliche Lösungsmanigfaltigkeiten für stationäre Darcy-Strömungen in heterogenen Systemen zu erlernen, was durch einen einzigen Trainingslauf, der datengesteuerte Leitfähigkeitsrepräsentationen direkt in die physik-informierte Verlustfunktion integriert, präzise, massenerhaltende Lösungen und Unsicherheitsquantifizierung ermöglicht.

Milad Panahi, Giovanni Michele Porta, Monica Riva, Alberto Guadagnini2026-01-26🔬 physics

Ultrafast Dipolar Electrostatic Modeling of Plasmonic Nanoparticles with Arbitrary Geometry

Diese Arbeit präsentiert ein ultraschnelles elektrostatisches Modellierungs-Framework für plasmonische Nanopartikel beliebiger Geometrie, das durch die Projektion des Neumann-Poincaré-Operators auf eine kompakte Dipolbasis zur Vermeidung großer Eigenwertprobleme schnelle spektrale Antwortberechnungen erreicht und dabei Retardierungseffekte über die modifizierte Langwellenapproximation berücksichtigt.

Paulo S. S. dos Santos, João P. Mendes, José M. M M. de Almeida, Luís C. C. Coelho2026-01-26🔬 physics.optics