903 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.
Cet article introduit la dynamique spéculative de Langevin (LSD), une méthode d'échantillonnage spéculatif distribuée et agnostique au modèle qui accélère les simulations de dynamique moléculaire de 3 à 9 fois en utilisant un modèle de brouillon rapide et une vérification parallèle sans introduire d'erreur relative ni compromettre l'exactitude de la distribution du modèle cible.
Cet article présente une méthode de Monte Carlo diagrammatique qui échantillonne et résume de manière stochastique les contributions des séries en échelle à l'auto-énergie du positron dans les molécules, réalisant une réduction significative de la mémoire par rapport aux solutions déterministes de l'équation de Bethe-Salpeter tout en démontrant un accord quantitatif avec les bancs d'essai de diagonalisation exacte pour l'hydrure de lithium.
Cet article introduit un nouveau cadre de modélisation d'ordre réduit piloté par les données qui utilise des réseaux de neurones de Henon pour construire une architecture symplectique de bout en bout, assurant la préservation exacte de la structure symplectique et la stabilité à long terme pour les systèmes hamiltoniens de haute dimension.
Cet article présente une implémentation validée du formalisme GW-BSE dans le code CP2K pour prédire avec précision les spectres optiques et les tailles d'excitation des nanographes, démontrant sa supériorité par rapport à la théorie de la fonctionnelle de la densité dépendante du temps pour décrire les excitations électroniques dans les nanostructures.
L'article présente ELECTRAFI, un modèle rapide et différentiable qui prédit les densités de charge périodiques dans les matériaux cristallins en exploitant les transformées de Fourier sous forme fermée de Gaussiennes anisotropes pour atteindre une précision de pointe avec une inférence jusqu'à 633 fois plus rapide, réduisant ainsi considérablement le coût de calcul total des calculs DFT.
Cet article propose un cadre d'auto-encodeur invariant par permutation qui apprend des représentations latentes de faible dimension et des dynamiques macroscopiques pour des systèmes microscopiques non ordonnés en reconstruisant des distributions de masse plutôt que des échantillons à ordre fixe, démontrant une performance robuste à travers des données de systèmes de particules, de fluides et de vidéos de polymères.
Cet article introduit une condition de bord de mouillage pour les surfaces solides courbes dans la méthode de Lattice Boltzmann à gradient de couleur en mettant à jour les paramètres d'ordre sur des nœuds fantômes, un schéma validé sur matériel GPU pour gérer efficacement les contrastes de densité et de viscosité importants tout en minimisant les courants parasites et en reproduisant avec précision les comportements de ligne de contact statiques et dynamiques.
Cet article introduit la notion de « position spectrale » pour démontrer que les modèles neuronaux plus larges atteignent des performances supérieures en étendant leur capacité d'apprentissage vers la queue spectrale du noyau tangent neuronal empirique, une capacité rendue possible par un apprentissage de caractéristiques qui amplifie de manière adaptative les gradients pour accéder à des signaux faibles inaccessibles aux modèles plus petits.
S'appuyant sur un atelier de mai 2023, cet article appelle à une recherche soucieuse des ressources dans les domaines de l'Univers et de la Matière en présentant un portefeuille de mesures de transformation numérique conçues pour faire progresser simultanément le progrès scientifique et atténuer le changement climatique en réduisant la dépendance aux combustibles fossiles.
Cette étude utilise des champs de force par apprentissage automatique pour mener des simulations de dynamique moléculaire à grande échelle, révélant que le transport optimal des ions Li et la stabilité des canaux dans les électrolytes amorphes de sulfure de phosphore et de lithium dopés au Ti se produisent à des concentrations de Ti de 10 % et 20 % grâce à une diffusion par volume libre facilitée par des polyèdres Li-S désordonnés.