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.
Ce papier présente AMBer, un cadre d'apprentissage par renforcement qui automatise la construction de modèles théoriques pour la physique des neutrinos en sélectionnant efficacement les groupes de symétrie et les représentations de champs afin de minimiser les paramètres libres.
Cet article présente une approche bayésienne rigoureuse pour la microscopie MINFLUX qui optimise le processus de localisation des fluorophores, permettant de réduire d'un facteur quatre le nombre de photons nécessaires pour atteindre une résolution de 1 nm par rapport aux méthodes heuristiques actuelles.
Cet article présente une approche d'orbitales naturelles gelées pour les états à couche ouverte, basée sur la théorie des perturbations ZAPT2, qui réduit efficacement l'espace virtuel requis par les solveurs d'éigenquantiques comme iQCC tout en maintenant une haute précision pour les écarts d'énergie singulet-triplet dans des systèmes complexes.
Les auteurs proposent un cadre d'apprentissage itératif combinant des algorithmes évolutionnaires, des modèles de base atomiques et l'approximation harmonique auto-cohérente stochastique (SSCHA) pour permettre la prédiction de structures cristallines avec une dynamique de réseau anharmonique, surmontant ainsi les limitations de coût computationnel et de besoin en données des méthodes existantes.
Cet article présente une extension de l'eigensolver ChASE aux Hamiltoniens pseudo-hermitiens, permettant le calcul efficace et scalable de milliers de paires propres positives sur des systèmes exascale grâce à une variante oblique de la projection de Rayleigh-Ritz et une implémentation parallèle optimisée du filtrage de Chebyshev.
Cet article évalue la capacité des grands modèles de langage à raisonner tacitement en théorie quantique des champs et en théorie des cordes via un nouveau jeu de données et une grille d'évaluation à cinq niveaux, révélant que si ces modèles maîtrisent les déductions explicites, ils échouent systématiquement à reconstruire les étapes implicites et à maintenir la cohérence globale requise par ces domaines abstraits.
SWEEP est une bibliothèque unifiée et extensible de solveurs d'équations d'ondes pour la modélisation et l'inversion sismiques, qui intègre la différenciation automatique et une architecture modulaire pour faciliter l'implémentation de méthodes d'optimisation avancées comme l'inversion de forme d'onde complète.
Cet article présente un cadre LSTM-PINN innovant qui résout les défis numériques des systèmes électrothermiques en régime permanent en préservant la cohérence multi-champs et en surclassant les méthodes existantes grâce à un mécanisme de mémoire récursive pour capturer les dépendances spatiales à long terme.
Ce travail propose une approche d'apprentissage automatique combinant des réseaux de neurones convolutifs pour classifier les perturbations de la lumière structurée dans l'atmosphère turbulente et un modèle de diffusion génératif optimisé par minimisation de la distance de Bregman pour enrichir les données d'entraînement.
Cette étude propose une méthode de régularisation hybride pour les réseaux de neurones informés par la physique (PINN), combinant une dérivée automatique du résidu des équations aux dérivées partielles avec un terme auxiliaire de différences finies sur les gradients du résidu, ce qui améliore significativement la précision des flux et des conditions aux limites dans des problèmes de conduction thermique tridimensionnels.