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 présente un nouvel algorithme d'apprentissage actif fondé sur la physique qui exploite les résidus d'équations aux dérivées partielles pour guider la sélection des données, améliorant considérablement l'efficacité des données dans l'entraînement des opérateurs neuronaux pour résoudre des équations aux dérivées partielles tout en injectant un biais inductif physique dans le processus.
Cette étude présente un cadre numérique complet fondé sur la renormalisation auto-cohérente des phonons et l'anharmonicité d'ordre quatre pour calculer avec précision les propriétés thermiques et thermodynamiques des isolants, en surmontant les limites des méthodes perturbatives traditionnelles en traitant les phonons comme des quasi-particules dépendantes de la température.
Ce papier établit les premières bornes de complexité oracle non asymptotiques pour l'estimation de la constante de normalisation par importance réchauffée sans recourir à des hypothèses isopérimétriques et propose un nouvel échantillonneur de diffusion inverse pour surmonter les limitations de l'interpolation géométrique traditionnelle dans les contextes multimodaux.
Cet article présente un cadre transparent et indépendant du codage qui utilise des comptages de ressources et des benchmarks matériels pour démontrer que la réalisation d'une utilité quantique précoce pour le problème de routage de véhicules à capacité contrainte (CVRP) est actuellement peu probable sur les dispositifs NISQ, révélant un avantage massif en nombre de qubits pour les codages d'ordre supérieur par rapport aux mappages QUBO directs, tout en suggérant qu'une décomposition innovante du problème est essentielle pour un avantage quantique futur.
Ce papier présente un cadre piloté par les données qui modélise la microstructure comme un processus stochastique afin de construire une variété matérielle de faible dimension et inversible, reliant avec succès les conditions de traitement aux résultats microstructuraux et permettant une conception accélérée des matériaux en boucle fermée.
Cet article présente une fermeture cinétique pour l'équation filtrée de Boltzmann--BGK qui modélise les effets sous-maille turbulents au moyen d'un opérateur de collision généralisé, sans exiger de séparation d'échelles ni d'hypothèse de type Smagorinsky, et démontre une stabilité améliorée et une dissipation réduite dans les tests numériques par rapport aux approches classiques.
Cet article présente l'opérateur neuronal de Walsh-Hadamard (WHNO), une architecture novatrice exploitant les transformations de Walsh-Hadamard pour résoudre efficacement des équations aux dérivées partielles à coefficients discontinus en surmontant les limites des méthodes basées sur Fourier, et démontre que la combinaison du WHNO avec des opérateurs neuronaux de Fourier dans un ensemble produit une précision nettement supérieure pour capturer à la fois des interfaces abruptes et des caractéristiques lisses.
L'article présente SCULPT, une plateforme interactive de machine learning basée sur le web qui utilise des techniques avancées telles que UMAP et un score de confiance adaptatif pour analyser des données de coïncidence multi-particules de haute dimension issues d'expériences COLTRIMS, permettant ainsi une découverte efficace d'événements rares et de corrélations en physique atomique et moléculaire.
NORi est une nouvelle paramétrisation d'apprentissage automatique fondée sur la physique qui combine des équations différentielles ordinaires neuronales avec une fermeture dépendante du nombre de Richardson pour simuler avec précision et stabilité la turbulence de la couche limite océanique et la dynamique d'entraînement dans les modèles climatiques, surpassant les méthodes traditionnelles tout en nécessitant des données d'entraînement minimales et en garantissant une stabilité numérique à long terme.
Ce papier démontre que la topologie du réseau sert de paramètre de conception reconfigurable pour le calcul spécifique à une tâche, permettant le contrôle programmable des dynamiques chaotiques dans les circuits neuronaux par le réarrangement des connexions afin d'optimiser les performances du calcul en réservoir.