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 présente une méthode de couplage FEM-BEM auto-ajustée pour résoudre l'équation de Poisson-Boltzmann non linéaire, qui détermine automatiquement un paramètre de relaxation optimal via une approche Newton-Raphson, garantissant une convergence rapide et fiable sans intervention manuelle tout en offrant une accélération significative par rapport aux méthodes traditionnelles.
Cet article présente une méthode fondée sur le MBAR pour combiner des ensembles de trajectoires issus de simulations d'échantillonnage d'interfaces avec différentes variables collectives, démontrant ainsi une amélioration significative des statistiques par rapport aux approches classiques.
Cette étude numérique du modèle de verre de spin en une dimension révèle que, contrairement aux prédictions de la théorie du champ moyen, les transitions de phase observées pour divers exposants de portée longue suggèrent une transition directe vers un état de brisure complète de symétrie de réplique, remettant en question l'existence d'une transition 1RSB et indiquant potentiellement une température de Kauzmann nulle pour les verres structuraux en trois dimensions.
Cet article propose une méthode d'interface décalée pour modéliser efficacement les discontinuités internes dans les milieux poroélastiques sur des maillages non conformes, en remplaçant les fissures réelles par une approximation de surface via des développements locaux et en comparant des stratégies d'imposition forte et faible des conditions de couplage hydromécanique.
Cet article propose un cadre de diffusion-réaction sur des substrats fractals, intégrant la dimension de Hausdorff et des paramètres fractionnaires, pour expliquer comment l'hétérogénéité structurelle des tissus et les effets de mémoire modulent la diffusion de l'oxygène et créent une différence de réponse entre les tumeurs et les tissus sains sous irradiation FLASH à ultra-haute dose.
Cet article présente un solveur neuronal basé sur des graphes qui préserve la structure des lois de conservation hyperboliques en intégrant des principes numériques classiques, offrant ainsi une stabilité et une précision supérieures pour la simulation de flux supersoniques avec des gains de temps de calcul significatifs.
Cette étude propose un flux de travail probabiliste évolutif combinant correction bayésienne et apprentissage profond pour surmonter les biais des modèles déterministes et prédire avec incertitude la perméabilité et la transmissivité des fractures géologiques naturelles.
En utilisant une décomposition en modes propres biorthogonaux d'un Hamiltonien non hermitien, cette étude établit des principes de conception spectrale pour optimiser la rétention d'excitation locale dans des réseaux atomiques assistés par impuretés, démontrant ainsi que l'ingénierie inverse des positions atomiques permet d'obtenir des configurations apériodiques favorisant la survie de l'excitation.
Cette étude propose une transformation de base physique motivée, introduisant un paramètre d'apprentissage local, qui améliore l'expressivité et la précision des méthodes de Monte Carlo variationnel par réseaux de neurones (NNVMC) pour les systèmes quantiques à N corps sans complexifier l'architecture du réseau.