1259 articles
La physique de calcul, ou Comp-Ph, explore comment les superordinateurs modélisent l'univers, des collisions d'atomes à la formation des galaxies. Ce domaine transforme des équations complexes en simulations visuelles, permettant aux chercheurs de tester des théories impossibles à vérifier en laboratoire. C'est une fenêtre unique sur la mécanique fondamentale de la réalité, où le code informatique devient un outil d'observation aussi puissant que les télescopes.
Sur Gist.Science, nous parcourons systématiquement les nouveaux prépublications de arXiv dans cette catégorie pour vous offrir une double perspective. Chaque article reçoit un résumé technique précis pour les experts, accompagné d'une explication claire et accessible pour tous les curieux. Cette approche double garantit que vous comprenez à la fois la méthode scientifique rigoureuse et ses implications concrètes, sans barrière de langage.
Découvrez ci-dessous les dernières contributions de la communauté scientifique, soigneusement sélectionnées et résumées pour éclairer les avancées récentes en physique computationnelle.
Ce papier propose un algorithme efficace fondé sur l'approche MeLoCoToN qui formule la factorisation d'entiers comme une équation de réseau de tenseurs dérivée d'un circuit de multiplication binaire, optimisant la structure du réseau et démontrant ses performances par des méthodes de contraction exactes et approximatives.
Cet article présente le code Python xARPES, qui utilise une méthode d'entropie maximale étendue avec inférence bayésienne pour extraire de manière cohérente les auto-énergies électroniques et les fonctions d'Eliashberg à partir de dispersions courbées dans les données de spectroscopie photoélectronique à résolution angulaire, démontrant une précision supérieure sur les ensembles de données modèles et expérimentaux par rapport aux approches existantes basées sur la linéarisation.
En analysant un grand ensemble de simulations couvrant les régimes subsonique à supersonique, cette étude révèle que, bien que le taux de croissance non linéaire des dynamos à petite échelle varie de linéaire à quadratique selon la compressibilité de l'écoulement, le processus convertit systématiquement une fraction fixe de l'énergie cinétique turbulente en énergie magnétique sur une durée caractéristique d'environ 20 temps de retournement à l'échelle externe.
Cette étude démontre qu'une architecture d'apprentissage profond de type U-Net peut résoudre efficacement le problème inverse de prédiction des paramètres de Hamiltonien des supraconducteurs à cuprate à partir de diagrammes de phase, en atteignant une haute précision et en révélant des motifs interprétables physiquement de sensibilité paramétrique.
Cet article étudie la formation d'opinions sur des réseaux modulaires en utilisant le modèle d'échange cinétique de Biswas-Chatterjee-Sen, révélant comment l'interaction entre la structure communautaire et les probabilités d'interaction engendre des phases collectives distinctes, notamment un ordre intragroupe robuste et des états antiferromagnétiques qui entravent le consensus global.
Cet article présente une méthode simplifiée, accessible et ultra-rapide pour le calcul des modes quasi-normaux électromagnétiques, en combinant des techniques numériques avec des approximations précises, et implémentée dans un package open-source au sein d'un logiciel photonique commercial afin de combler le fossé entre la théorie avancée des modes quasi-normaux et les pratiques courantes de simulation à fréquence réelle.
Ce papier présente un cadre PtychoPINN étendu qui permet l'imagerie par diffraction cohérente sans chevauchement en une seule prise et accélère la ptychographie conventionnelle multi-prises en couplant un modèle direct différentiable avec une vraisemblance de Poisson, réalisant des reconstructions de haute fidélité avec des exigences de données considérablement réduites et un débit accru sur des ensembles de données expérimentaux de synchrotron et de XFEL.
Ce papier présente un modèle de réseau de neurones à graphes interprétable et expérimentalement précis, nommé AugerNet, qui prédit les énergies de liaison des électrons de cœur 1s du carbone dans les molécules organiques avec une erreur absolue moyenne de 0,33 eV en exploitant des caractéristiques de nœuds informées chimiquement et l'équivariance E(3) pour capturer les environnements de liaison locaux et généraliser à des systèmes plus grands.
Ce papier démontre que les fermetures d'échelles sous-maille basées sur des réseaux de neurones pour les interactions particule-turbulence peuvent être efficacement entraînées en utilisant uniquement des données de particules — ciblant spécifiquement l'énergie cinétique ou les spectres plutôt que des champs spatio-temporels complets — permettant ainsi une inférence physique robuste même à partir de mesures expérimentales bruitées, éparses ou partielles.
L'article présente \textsc{dm-PhiSNet}, un modèle équivariant contraint physiquement qui prédit les matrices de densité réduites à un électron pour servir d'initialisations de haute qualité aux calculs de champ auto-cohérent, réduisant ainsi le nombre d'itérations de 49 à 81 % et permettant des prédictions précises d'énergie et de forces en une seule passe pour divers systèmes moléculaires.