physics.comp-ph

Machine Learning for Electron-Scale Turbulence Modeling in W7-X

Este artículo presenta un modelo reducido guiado por la física y dirigido por aprendizaje automático para predecir el flujo de calor de la turbulencia del gradiente de temperatura de electrones (ETG) en el estelarador Wendelstein 7-X, el cual logra una alta precisión mediante el aprendizaje activo y la interpolación radial, pero revela que una formulación única independiente del radio es insuficiente para capturar la física del transporte dependiente de la geometría del dispositivo.

Exterior complex scaling enables physics-informed neural networks for quantum scattering

Este trabajo demuestra que el escalado complejo exterior transforma las funciones de onda de dispersión no decrecientes en formas de decaimiento exponencial, permitiendo que las redes neuronales informadas por la física resuelvan con precisión problemas de dispersión nuclear por primera vez y allanando el camino para problemas inversos eficientes y el modelado de reacciones complejas.

Capturing non-Markovian dynamics in non-equilibrium stochastic systems using flow matching

Este artículo introduce un método de ajuste de flujo generativo que captura con precisión los efectos no markovianos y no gaussianos en la dinámica estocástica de partículas a corto plazo, superando a los modelos tradicionales de Dean-Kawasaki regularizados en la predicción de momentos estadísticos y tiempos de primer paso.

Six Open Questions in Machine-Learned Interatomic Potential Foundation Models

Este artículo define potenciales interatómicos fundamentales aprendidos mediante aprendizaje automático (MLIPs) y articula seis preguntas críticas abiertas que se espera guíen la investigación de vanguardia en el campo.

Physics-constrained Gaussian Processes for Predicting Shockwave Hugoniot Curves

Tricriticality and chaos in a generalized Allee-logistic map

Este artículo introduce un mapa Allee-logístico generalizado que vincula las transiciones de extinción continuas y discontinuas, revelando tricriticidad con relaciones de escala universales y demostrando que el efecto Allee suprime la aparición del caos.

Learning and Inferring Multiphase Flow Dynamics in Porous Media using Scientific Machine Learning: Application to the "FluidFlower" CO2 Injection Experiment

Este artículo presenta un marco de aprendizaje automático científico que combina un sustituto de red neuronal convolucional con la inferencia bayesiana para predecir y calibrar eficientemente la dinámica de flujo multifásico de CO2-salmuera en medios porosos, demostrando mejoras significativas en la identificación de parámetros y la precisión de la simulación sobre los métodos tradicionales utilizando datos experimentales de alta resolución de "FluidFlower".

A tensor-train multidimensional inverse Laplace transform

Este artículo introduce una formulación de tren de tensores para la transformada inversa de Laplace multidimensional que supera la maldición de la dimensionalidad al reducir la complejidad computacional de exponencial a polinómica mediante aproximaciones y contracciones de tensores de bajo rango, demostrando su eficacia en diversas distribuciones multivariantes.

Wall Shear Stress Reconstruction from Concentration: Differentiable Physics and Physics-Informed Neural Networks

Este estudio demuestra que, si bien las Redes Neuronales Informadas por la Física (PINNs) pueden reconstruir el esfuerzo cortante de pared únicamente cuando se dispone de mediciones cerca de la pared, un marco de física diferenciable basado en la optimización con restricciones de EDP recupera con éxito un esfuerzo cortante de pared preciso en diversos escenarios de medición, tanto en flujos cardiovasculares canónicos como específicos de pacientes.

Robust and efficient configurational molecular sampling via Langevin Dynamics