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 les DC-PINNs, un cadre général qui améliore la fidélité physique et la stabilité de l'entraînement des réseaux de neurones informés par la physique en intégrant des contraintes dérivées non linéaires via un principe de minimisation et un équilibrage adaptatif des pertes.
Cet article de revue compare les modèles basés sur les particules et les modèles continus en biophysique cellulaire, en analysant leurs forces et limites à travers cinq systèmes biologiques clés afin d'aider les chercheurs à choisir la stratégie de modélisation la plus adaptée.
Le papier présente NEPMaker, un cadre d'apprentissage actif piloté par la D-optimalité intégré à GPUMD, qui permet d'entraîner des potentiels neuroévoqués (NEP) robustes et transférables pour de grandes cellules en identifiant et en traitant les environnements atomiques extrapolatifs via des structures périodiques locales.
Cet article présente MolCryst-MLIPs, une base de données ouverte de potentiels interatomiques appris par machine pour neuf systèmes de cristaux moléculaires, développée via un pipeline automatisé et validée pour des simulations de dynamique moléculaire fiables.
Cet article présente un cadre d'apprentissage automatique basé sur un opérateur neuronal Fourier-MIONet imbriqué qui permet de prédire efficacement et avec précision le transfert radiatif dans les simulations d'incendies 3D, offrant une alternative rapide et précise aux méthodes numériques traditionnelles.
En combinant des calculs de premiers principes et une analyse de symétrie, cette étude propose l'allotrope de bore - comme un candidat idéal pour explorer la coexistence protégée par la symétrie d'une surface nodale bidimensionnelle et de multiples types de fermions de Weyl dans un système topologique sans spin.
En utilisant des états quantiques neuronaux et la méthode Monte Carlo variationnelle, cette étude caractérise les états physiques de la gravité quantique à boucles abélianisée euclidienne sur le graphe complet , révélant deux familles de solutions distinctes pour les contraintes hamiltoniennes et qui correspondent respectivement à des états proches du vide d'Ashtekar-Lewandowski et du vide de Dittrich-Geiller.
Cet article propose une nouvelle méthodologie d'homogénéisation inverse distributionnelle permettant de déduire les statistiques globales d'une microstructure matérielle à partir de mesures macroscopiques non invasives, en combinant la théorie de l'homogénéisation et des approches probabilistes.
Cet article propose une nouvelle analyse théorique de la scalabilité faible des méthodes de Schwarz à un niveau pour les équations de Maxwell dans les guides d'ondes, en combinant l'analyse spectrale de matrices de Toeplitz et la décomposition modale pour démontrer la robustesse de la méthode par rapport au nombre d'onde sous certaines conditions de transmission et de décomposition de domaine.
Cette étude présente un modèle de substitution basé sur l'opérateur neuronal de Fourier (FNO) qui permet de modéliser la croissance des grains avec une précision élevée et une invariance de résolution, surmontant ainsi les limitations de coût computationnel et de généralisation des approches traditionnelles de champ de phase.