🔢 Category

math-ph

3366 articles

La physique mathématique explore le langage profond qui relie les lois de l'univers aux structures abstraites des mathématiques. Sur Gist.Science, nous vous invitons à découvrir comment les chercheurs utilisent des équations complexes pour modéliser la réalité, de la mécanique quantique à la théorie des cordes, sans vous perdre dans un jargon inaccessible.

Chaque nouveau prépublication dans ce domaine provient d'arXiv, la source mondiale de référence pour les travaux préliminaires. Notre équipe analyse systématiquement chaque document arrivé sur arXiv dans cette catégorie pour vous offrir deux niveaux de lecture : un résumé en langage clair pour saisir l'essentiel, et une analyse technique détaillée pour les spécialistes.

Voici la sélection des derniers articles traitant de physique mathématique, sélectionnés et résumés pour vous.

🔢 mathématiques

Hypercontractivity and entropy decay for infinite-dimensional quantum Gibbs samplers

Cet article établit des taux de décroissance exponentielle de l'entropie relative pour une large classe d'échantillonneurs de Gibbs quantiques à dimension infinie, incluant les systèmes de Bose-Hubbard multimodes et de gaz de Coulomb, en développant une théorie de la stabilité perturbative pour les estimations hypercontractives et les inégalités de Sobolev logarithmiques, tout en démontrant qu'un écart spectral positif n'implique pas nécessairement une hypercontractivité L2L^2-vers-LpL^p en temps fini.

Simon Becker, Cambyse Rouzé, Robert Salzmann2026-10-06
🔢 mathématiques

Finding Gaussian Structure in Bosonic States

Cet article présente des protocoles efficaces pour la tomographie agnostique d'états bosoniques gaussiens purs qui atteignent une complexité de temps et de copies polynomiale forte dans les régimes de haute et basse fidélité en combinant des mesures gaussiennes avec des statistiques classiques robustes pour l'initialisation et des mesures non gaussiennes pour le raffinement, tout en établissant des limites fondamentales sur la nécessité des mesures non gaussiennes et sur l'impossibilité de solutions entièrement polynomiales sous les hypothèses de complexité standard.

Alvan Arulandu, Sitan Chen, Ziyun Chen, Jerry Li, Eric Ma2026-10-06
🔢 mathématiques

Deep-water and shallow-water limits of statistical equilibria for the intermediate long wave equation

Cet article construit et prouve l'invariance d'une famille complète de mesures de Gibbs généralisées pour l'équation de l'onde longue intermédiaire (ILW), démontrant leur convergence vers les mesures et les dynamiques correspondantes des équations de Benjamin-Ono et de Korteweg-de Vries dans les limites d'eau profonde et d'eau peu profonde, respectivement, tout en révélant un nouvel effondrement de 2 à 1 des lois de conservation et des mesures dans le régime d'eau peu profonde.

Andreia Chapouto, Guopeng Li, Tadahiro Oh2026-10-05
🔢 mathématiques

Proof of hiding conjecture in Gaussian boson sampling

Cet article fournit la première preuve rigoureuse de la « conjecture de dissimulation » pour l'échantillonnage de bosons gaussiens avec tous les modes d'entrée compressés, établissant qu'une petite sous-matrice d'une matrice d'ensemble circulaire orthogonale aléatoire peut être bien approximée par une matrice gaussienne complexe symétrique, consolidant ainsi le fondement théorique de la dureté classique de ce protocole quantique réalisé expérimentalement.

Laura Shou, Sarah H. Miller, Victor Galitski2026-10-05
🔢 mathématiques

Evaluation of Sampling Strategies and Physics-Informed Kolmogorov--Arnold Networks in Unbounded Domains

Cet article évalue des stratégies d'apprentissage informé par la physique pour les problèmes de PDE inverses dans des domaines non bornés, démontrant que les distributions d'échantillonnage gaussiennes et exponentielles améliorent la précision de la reconstruction du champ lointain, tandis que les réseaux de Kolmogorov-Arnold (PIKANS) atteignent une précision comparable ou supérieure avec moins de neurones que les MLP traditionnels, bien qu'au prix d'un coût de calcul plus élevé.

Gregorio Pérez-Bernal, Oscar Rincón-Cardeño, Silvana Montoya-Noguera, Nicolás Guarín-Zapata2026-10-05
🔢 mathématiques

A coupled geometric surface and surface reaction-diffusion framework for modelling nuclear mechanics during confined cell migration

Cet article présente un cadre couplé de surface géométrique et de réaction-diffusion de surface qui modélise avec succès comment la régulation épigénétique de H3K9me3 par SETDB1 et SUV39H1 influence la mécanique nucléaire et les temps d'entrée en migration dans les cellules de cancer du poumon confinées.

Francesca Ballatore, Silvia Comunian, Anotida Madzvamuse, Slimane Ait-Si-Ali, Rachele Allena2026-10-05
🔢 mathématiques

Asymptotic approximation of sensitivities in finite dimensional continuous data assimilation with application to parameter estimation

Cet article fournit une justification rigoureuse pour un algorithme d'estimation de paramètres qui couple l'assimilation de données continues avec une optimisation générique en prouvant une approximation de sensibilité asymptotique et une inégalité de Polyak-Lojasiewicz approximative pour les systèmes à dimensions finies, établissant ainsi la convergence de la descente de gradient.

Joshua Newey, Jared P. Whitehead2026-10-05
🔢 mathématiques

Döblin--Fourier cancellation and kinetic Aleksandrov estimates

Cet article établit un nouveau mécanisme de l'annulation pour les équations cinétiques linéaires du second ordre à coefficients uniformément elliptiques mesurables, produisant une décroissance de Fourier exponentielle, une dissipation accrue et des estimations d'Aleksandrov cinétiques optimales qui fournissent les premiers résultats de décroissance pour de telles équations avec des coefficients rugueux.

Amélie Loher, Connor Mooney, Clément Mouhot2026-10-05
🔢 mathématiques

S2^{2}-PINN: Stochastic Separable Physics-Informed Neural Networks

Cet article introduit S2^{2}-PINN, un réseau de neurones informés par la physique stochastique et séparable qui exploite une décomposition tensorielle de rang faible de bases spatiales, temporelles et stochastiques apprenables pour quantifier efficacement et précisément l'incertitude dans les équations aux dérivées partielles aléatoires, tout en surmontant le fléau de la dimensionnalité et en surpassant les modèles de référence existants.

Zhendong Li, Akwum Onwunta2026-10-05