🔬 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.

Neural-ISAM: A hybrid in-situ machine learning approach for complex manifold-based combustion models in LES of turbulent flames

Ce papier présente Neural-ISAM, une méthode hybride d'apprentissage automatique in situ qui remplace dynamiquement les régions élaguées des bases de données de tabulation adaptative par des réseaux de neurones entraînés afin de réduire considérablement les besoins en mémoire tout en maintenant la précision dans les simulations des grandes échelles de flammes turbulentes complexes.

S. Trevor Fush, Israel J. Bonilla, Michael B. Schroeder, Matthew X. Yao, Michael E. Mueller2026-05-12🔬 physics

jNO: A JAX Library for Neural Operator and Foundation Model Training

jNO est une bibliothèque unifiée et native JAX qui rationalise l'entraînement des opérateurs neuronaux et des modèles de fondation en intégrant des approches basées sur les données et informées par la physique dans un seul système de traçage symbolique, permettant des transitions fluides entre la régression d'opérateurs, l'évaluation résiduelle consciente du maillage et l'optimisation contrainte par les EDP sans restructuration du code.

Leon Armbruster, Rathan Ramesh, Georg Kruse, Christopher Straub2026-05-12🔬 physics

Stochastic tensor contraction for quantum chemistry

Cet article présente la contraction stochastique de tenseurs comme un primitif de calcul hautement efficace qui réduit le coût des opérations tensorielles d'ordre élevé en chimie quantique ab initio, permettant spécifiquement à la théorie des clusters couplés d'atteindre une précision chimique avec une échelle de champ moyen et de surpasser significativement les approximations de corrélation locale existantes tant en vitesse qu'en erreur.

Jiace Sun, Garnet Kin-Lic Chan2026-05-11⚛️ quant-ph

CarCrashNet: A Large-Scale Dataset and Hierarchical Neural Solver for Data-Driven Structural Crash Simulation

Cet article présente CarCrashNet, une référence open source à grande échelle comprenant plus de 14 000 simulations de crash au niveau des composants et 825 simulations de crash de véhicules complets, ainsi que CrashSolver, un solveur neuronal hiérarchique conçu pour permettre la prédiction structurelle de crashs fondée sur les données et l'intelligence artificielle, ainsi que la recherche reproductible en matière de sécurité des véhicules.

Mohamed Elrefaie, Dule Shu, Matthew Klenk, Faez Ahmed2026-05-11🔬 physics

A Unified Local Light-shifts Encoding For Solving Optimization Problems on a Rydberg Annealer

Cet article présente un cadre unifié pour résoudre divers problèmes d'optimisation combinatoire NP-difficiles sur un recuit quantique à atomes de Rydberg en les mappant vers un formalisme QUBO via un encodage par décalages lumineux locaux et un protocole de recuit quantique optimisé, tout en introduisant un paramètre de difficulté généralisé pour quantifier la complexité des problèmes.

Kapil Goswami, Peter Schmelcher2026-05-11🔬 physics.atom-ph

Selectivity- and Activity-Aware Catalyst Descriptors for CO2_2 Hydrogenation on Alloy Nanocatalysts using Machine-Learned Force Fields

Cette étude présente un cadre de distribution des énergies d'adsorption résolu par facette, utilisant des champs de force appris par machine pour analyser 1,4 million de sites d'adsorption sur diverses surfaces d'alliages, identifiant ainsi des compositions et des orientations spécifiques qui optimisent à la fois l'activité et la sélectivité en méthanol pour l'hydrogénation du CO2_2.

Prajwal Pisal, Ondřej Krejčí, Patrick Rinke2026-05-11🔬 cond-mat.mtrl-sci

Physics-Informed Reduced-Order Operator Learning for Hyperelasticity in Continuum Micromechanics

Ce papier présente un cadre d'apprentissage d'opérateurs réduits informé par la physique qui combine des opérateurs neuronaux d'équilibre avec une interpolation empirique discrète basée sur QR pour réduire drastiquement le coût computationnel de l'entraînement et de l'inférence des modèles de substitution de microstructures hyperélastiques 3D tout en garantissant l'équilibre mécanique et en permettant des prédictions de contraintes précises.

Hamidreza Eivazi, Henning Wessels2026-05-11🔬 physics

Systematic Comparison between Constrained Transport and Mixed Divergence Cleaning Methods for Astrophysical Magnetohydrodynamic Simulations

Ce papier compare systématiquement le transport contraint (CT) et les méthodes de nettoyage mixte de la divergence de Dedner pour les simulations astrophysiques MHD, révélant que ces dernières peuvent produire des artefacts et des imprécisions significatifs dans des scénarios impliquant des champs magnétiques localisés ou des changements brusques de pas de temps, suggérant ainsi que le CT est généralement plus précis et fiable tout en proposant des modifications spécifiques pour améliorer la robustesse du nettoyage de la divergence.

Kengo Tomida, Kenji Eric Sadanari, Shinsuke Takasao, Kazunari Iwasaki2026-05-11🔭 astro-ph

Extending OpenKIM with an Uncertainty Quantification Toolkit for Molecular Modeling

Ce document présente une extension de boîte à outils de quantification des incertitudes pour le package KLIFF au sein du cadre OpenKIM, utilisant des chaînes de Markov Monte Carlo à recuit parallèle pour évaluer les incertitudes découlant à la fois des variations de paramètres et des insuffisances de la forme fonctionnelle des potentiels interatomiques, comme démontré sur un potentiel Stillinger–Weber pour le silicium.

Yonatan Kurniawan, Cody L. Petrie, Mark K. Transtrum, Ellad B. Tadmor, Ryan S. Elliott, Daniel S. Karls, Mingjian Wen2026-05-08🔬 physics

An information-matching approach to optimal experimental design and active learning

Cet article présente une approche d'appariement d'informations basée sur l'optimisation convexe et évolutive qui exploite la matrice d'information de Fisher pour sélectionner des données d'entraînement minimales et à haute valeur afin de prédire avec précision des grandeurs d'intérêt, résolvant ainsi les problèmes de pénurie de données et d'non-identifiabilité des paramètres dans diverses applications de modélisation scientifique et d'apprentissage actif.

Yonatan Kurniawan, Tracianne B. Neilsen, Benjamin L. Francis, Alex M. Stankovic, Mingjian Wen, Ilia Nikiforov, Ellad B. Tadmor, Vasily V. Bulatov, Vincenzo Lordi, Mark K. Transtrum2026-05-08🔬 physics.app-ph