🔬 Category

physics.comp-ph

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.

When Attention Beats Fourier: Multi-Scale Transformers for PDE Solving on Irregular Domains

Ce papier présente le Transformer à attention multi-échelle (MSAT), démontrant par une analyse empirique et théorique approfondie que les architectures basées sur l'attention surpassent les opérateurs du domaine de Fourier pour résoudre des équations aux dérivées partielles sur des domaines irréguliers, tout en établissant un compromis critique où la régularisation informée par la physique améliore les problèmes dominés par la diffusion mais dégrade les performances dans les régimes chaotiques.

Brandon Yee, Pairie Koh, Jack Rodriguez, Mihir Tekal2026-05-12🤖 cs.LG

A meshfree exterior calculus for generalizable and data-efficient learning of physics from point clouds

Cet article présente MEEC-Net, un réseau de neurones sans maillage et économe en données qui exploite un nouveau cadre de calcul extérieur pour apprendre des physiques préservant la structure sur des nuages de points, atteignant une généralisation supérieure hors distribution à travers les géométries et les paramètres par rapport aux réseaux de neurones opérateurs de référence existants.

Benjamin D. Shaffer, Brooks Kinch, M. Ani Hsieh, Nathaniel Trask2026-05-12🔬 physics

CrystalREPA: Transferring Physical Priors from Universal MLIPs to Crystal Generative Models

CrystalREPA est un cadre plug-and-play qui améliore la stabilité, la validité et la fidélité des cristaux générés en alignant les représentations des modèles génératifs avec des potentiels interatomiques d'apprentissage automatique universels figés (MLIP) via un objectif contrastif, révélant ainsi que l'efficacité d'un MLIP pour le transfert dépend davantage de sa capacité de distinction des représentations que de ses benchmarks de précision standard.

Chengqian Zhang, Yucheng Jin, Duo Zhang, Tiejun Li, Han Wang2026-05-12🔬 cond-mat.mtrl-sci

Nonlinear GENERIC Informed Neural Networks (N-GINNs): learning GENERIC dynamics with non-quadratic dissipation potentials

Ce papier présente les Réseaux de Neurones Informés par le GENERIC Non Linéaire (N-GINNs), un cadre d'apprentissage profond qui impose une cohérence thermodynamique par l'intermédiaire de potentiels de dissipation convexes pour découvrir avec précision les équations d'évolution de systèmes présentant à la fois une dynamique conservative et une dissipation non quadratique.

Vojtěch Votruba, Zequn He, Weilun Qiu, Celia Reina, Michal Pavelka2026-05-12🔬 physics

Semi-Supervised Neural Super-Resolution for Mesh-Based Simulations

Le papier présente SuperMeshNet, un cadre neuronal semi-supervisé qui exploite l'apprentissage complémentaire et des biais inductifs pour reconstruire efficacement des solutions de simulation maillées haute fidélité à partir de données basse résolution, tout en nécessitant 90 % de moins de données d'entraînement haute résolution que les références entièrement supervisées.

Jiyeon Kim, Youngjoon Hong, Won-Yong Shin2026-05-12🔬 physics.app-ph

Constitutive Priors for Inverse Design

Cet article présente un cadre de bout en bout pour la conception inverse de réseaux élastiques qui optimise les propriétés matérielles variant spatialement dans l'espace des comportements constitutifs en exploitant une loi a priori latente thermodynamiquement cohérente, une continuation par homotopie et des contraintes de régularité des réseaux de neurones pour résoudre de manière robuste des problèmes d'optimisation sous contraintes d'équations aux dérivées partielles sans nécessiter de correspondance de maillage.

Jinkyo Han, Bahador Bahmani2026-05-12🔬 physics

Teaching Molecular Dynamics to a Non-Autoregressive Ionic Transport Predictor

Ce papier propose un cadre d'apprentissage non-autorégressif qui utilise des trajectoires atomiques comme modalité auxiliaire pendant l'entraînement pour permettre une prédiction rapide, précise et dynamique du transport ionique à partir de structures statiques, sans nécessiter d'inférence séquentielle ni de données de trajectoire au moment de l'inférence.

Jiyeon Kim, Byungju Lee, Won-Yong Shin2026-05-12🔬 physics.atom-ph

Classification of Chimera States via Fourier Analysis and Unsupervised Learning

Cet article propose une méthode novatrice combinant l'analyse de Fourier et le regroupement non supervisé des variations totales normalisées pour détecter et classifier avec précision divers types d'états chimère dans des réseaux d'oscillateurs de Rayleigh couplés, surmontant ainsi les limites des techniques de détection existantes.

Rommel Tchinda Djeudjo, Riccardo Muolo, Thierry Njougouo, Timoteo Carletti2026-05-12🌀 nlin

Accuracy assessment of scalar wave propagation methods for diffractive optics design: from thin elements to thick binary grating

Cet article évalue systématiquement la précision des approximations d'éléments minces, de la propagation de faisceaux et des méthodes de propagation d'ondes par rapport à une référence rigoureuse pour les réseaux de diffraction binaires, en générant des cartes de précision pour guider la sélection de modèles directs appropriés dans les pipelines de conception inverse en fonction de la fréquence spatiale et de l'épaisseur du réseau.

Nicolas Barré2026-05-12🔬 physics.optics

Fast Evaluation of the Azimuthal Fourier Modes of the 3D Helmholtz Green's Function and Their Derivatives

Ce papier présente un algorithme O(M)O(M) qui évalue efficacement et avec précision les modes de Fourier azimutaux de la fonction de Green de Helmholtz 3D et leurs dérivées pour tout nombre d'onde réel en combinant une déformation de contour avec des relations de récurrence stables, permettant ainsi des simulations de diffusion acoustique axisymétrique haute performance.

Hanwen Zhang2026-05-12🔬 physics