1268 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 une approximation de Padé pour réduire efficacement le nombre de zéros requis dans les formulations de Fisher, de distribution de probabilité d'énergie et de fonction génératrice de moments, permettant ainsi une analyse fiable et moins coûteuse des modèles d'Ising et XY bidimensionnels tout en préservant la précision des estimations de la température critique.
Cet article présente une méthode utilisant des simulateurs différentiables pour apprendre des opérateurs de collision dépendants du temps et intégrodifférentiels à partir de données de phase plasma, permettant de reproduire avec précision la dynamique des plasmas hors équilibre là où les solutions théoriques fermées font défaut.
Cet article présente un modèle de Monte Carlo par intégrale de chemin exactement soluble pour des fermions harmoniques en interaction, démontrant que le problème de signe est principalement inhérent aux fermions libres et que les états à couches fermées peuvent l'éliminer, tout en validant ces résultats par des simulations numériques comparées aux réseaux de neurones.
Cet article propose un modèle innovant basé sur les réseaux de neurones à graphes, nommé Collision-captured Network (CN), qui intègre l'assimilation de données pour simuler efficacement la dynamique des floes de glace de mer dans les zones de glace marginale, offrant une alternative plus rapide et évolutive aux méthodes numériques traditionnelles.
Cet article démontre que l'échantillonnage guidé par des processus de diffusion permet de reconstruire des trajectoires spatio-temporelles complètes et généralisables pour la cinétique des réactions en phase gazeuse, comblant ainsi le fossé entre les benchmarks académiques et les expériences de laboratoire réalistes.
Cet article présente un cadre pLaSDI (identification de dynamique dans l'espace latent informé par la physique) conçu pour modéliser avec précision et rapidité la cinétique atomique hors équilibre thermodynamique local (NLTE) dans les plasmas, en garantissant la stabilité physique et la convergence vers les états stationnaires corrects grâce à des termes de perte spécifiques, offrant ainsi une alternative aux méthodes d'apprentissage automatique statiques pour les simulations de lithographie EUV.
Cet article présente l'équation de Langevin généralisée avec désordre spatial (SD-GLE), une méthode pilotée par les données qui utilise un cadre bayésien variationnel pour distinguer le désordre spatial statique de la friction viscoélastique, permettant ainsi de prédire avec précision la dynamique à long terme et les propriétés statistiques des systèmes hétérogènes où les approches conventionnelles échouent.
Cet article présente une nouvelle méthode « à bulle » fondée sur les premiers principes et l'apprentissage automatique pour calculer les énergies libres de solvatation de molécules et d'ions sans recourir à des données expérimentales, en évitant les singularités d'extrémité et en permettant l'étude de systèmes dans des conditions extrêmes.
Cet article propose et évalue une série d'extensions probabilistes des réseaux de neurones informés par la physique (PINNs), notamment via l'inférence bayésienne et les ensembles répulsifs, pour quantifier de manière fiable les incertitudes épistémiques dans la modélisation de flux turbulents à partir de données éparses.
Ce papier présente Scalable DDPM-Polycube, une méthode de diffusion améliorée qui étend la génération de structures polycubes pour l'analyse isogéométrique en enrichissant l'ensemble des primitives géométriques, en élargissant la configuration de la grille et en introduisant une stratégie de génération de contexte guidée par le genre, permettant ainsi la création automatisée et robuste de maillages hexaédriques et de splines volumiques pour des géométries complexes.