1270 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 travail démontre que l'utilisation de la précision simple sur les GPU, combinée à une fonction de distribution décalée et à des pas de temps optimisés, permet d'obtenir une accélération de 27 fois par rapport aux simulations en précision double tout en maintenant une haute fidélité pour la modélisation de systèmes nematohydrodynamiques complexes.
Cette étude présente un cadre assisté par le protocole MCP permettant aux chercheurs de concevoir des métasurfaces via des modèles de langage, en leur donnant accès dynamique à des solveurs différentiels et des modèles de code vérifiés, ce qui élimine le besoin d'expertise en programmation tout en optimisant la qualité et l'efficacité du processus de conception inverse.
Cette étude démontre que les modes de coin et de bord dans des membranes nanométriques de SiC, SiN et SiO₂ peuvent respectivement amplifier ou atténuer le transfert de chaleur radiatif de proximité par rapport aux surfaces infinies, en fonction des pertes matérielles qui modifient la densité d'états électromagnétiques disponibles.
Cette étude révèle, via des simulations, comment la géométrie et la flexibilité de capsules suspendues dans des fluides nématiques actifs, couplées à la dynamique des défauts topologiques, gouvernent leur rotation spontanée et leur propulsion.
Cet article présente des ondes de réseaux de neurones récurrents dilatés qui, en introduisant une connexion à longue portée, permettent de capturer efficacement les corrélations à longue distance des états quantiques critiques tout en conservant une complexité de calcul favorable.
Cet article présente une méthode robuste basée sur la simulation du pompage de charge pour calculer les invariants topologiques d'états quantiques à N corps décrits par des fonctions d'onde neuronales, permettant ainsi d'extraire avec précision les nombres de Chern et d'identifier de nouveaux états exotiques comme les liquides de Fermi composites anormaux.
Cette étude présente une stratégie d'apprentissage actif intégrant la théorie de la fonctionnelle de la densité, la modélisation thermochemique et l'optimisation bayésienne pour générer une base de données record de composés CHNO et un modèle de substitution généralisable permettant de prédire avec précision les performances de détonation de matériaux énergétiques tout en identifiant l'équilibre d'oxygène comme facteur déterminant.
Cet article présente une preuve formelle démontrant que seuls les effets de forme liés à l'aimantation moyenne sont significatifs pour des échantillons magnétiques suffisamment grands, permettant ainsi de développer une méthode efficace pour intégrer ces effets dans les simulations micromagnétiques à conditions aux limites périodiques 3D.
Cet article présente une nouvelle fonction objectif modulaire, la densité de modularité bipartite généralisée (Qbg), conçue spécifiquement pour détecter la structure communautaire hiérarchique dans les réseaux bipartites pondérés sans altérer leur topologie intrinsèque.
Ce papier présente EquiformerV3, une nouvelle génération de transformateurs graphiques équivariants à $SE(3)$ qui améliore l'efficacité, l'expressivité et la généralité des modèles d'apprentissage automatique pour la modélisation atomistique 3D, permettant d'atteindre des résultats de pointe sur plusieurs benchmarks majeurs grâce à des optimisations logicielles, des modifications architecturales innovantes et un apprentissage par débruitage.