1275 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 la méthode paFEMU, une approche d'apprentissage par transfert qui combine l'identification de modèles constitutifs par sparsification, l'optimisation adjointe basée sur la méthode des éléments finis et des données multi-modales pour accélérer la découverte rapide de modèles physiques interprétables.
Ce papier souligne l'importance de compléter les outils de simulation et de conception en boîte noire par une compréhension fondamentale pour maîtriser la complexité des dimensions supplémentaires en nanophotonique.
Cet article propose que les champs de force hybrides différentiables, qui combinent des formes fonctionnelles physiques avec des corrections par réseaux de neurones, résolvent le compromis entre vitesse, précision et calibrabilité pour permettre la découverte autonome d'électrolytes via une simulation numérique calibrable et des boucles fermées.
Ce papier propose le TACNN, un modèle d'apprentissage profond peu profond qui remplace les noyaux de convolution classiques par des tenseurs génériques pour capturer des corrélations d'ordre élevé, permettant ainsi d'atteindre une précision compétitive sur Fashion-MNIST avec une architecture bien plus simple et interprétable que les CNN profonds traditionnels.
Cette étude propose un modèle d'apprentissage par renforcement couplant les taux d'exploration aux différences de réputation locale et des mises à jour asymétriques, démontrant que ce mécanisme conjoint favorise l'évolution de la coopération en adaptant dynamiquement l'exploration selon le statut social.
Cet article présente un cadre de topologie directionnelle qui intègre l'axe de compression dans les descripteurs topologiques pour prédire avec plus de précision le module de Young des matériaux poreux anisotropes, surpassant les méthodes classiques et rivalisant avec les réseaux de neurones convolutifs tout en conservant une représentation compacte.
Le papier présente SMC-AI, un cadre algorithmique général permettant d'exécuter des simulations de Monte Carlo canoniques à l'échelle de quatre billions d'atomes sur des accélérateurs d'IA, établissant ainsi un nouveau record de taille de système et de débit pour les simulations atomistiques assistées par l'apprentissage automatique.
Cet article propose deux formulations de réseaux de neurones informés par la physique (PINN) à contraintes dures pour les problèmes d'interface, démontrant que l'approche par « tampon » (buffer) offre une robustesse supérieure aux méthodes à contraintes douces, en particulier dans les configurations bidimensionnelles complexes.
Cet article présente la méthode de décimation intégrale, un algorithme inspiré de la mécanique quantique qui transforme le calcul d'intégrales multidimensionnelles d'une complexité exponentielle à polynomiale en décomposant l'intégrande en une « train tensoriel spectral », permettant ainsi de résoudre efficacement des problèmes complexes en mécanique statistique et en dynamique quantique là où les méthodes conventionnelles échouent.
Cette étude démontre que les systèmes désordonnés athermiques soumis à un entraînement cyclique développent une mémoire de retour aux points d'origine en évoluant vers une variété absorbante marginale, offrant ainsi un cadre physique général pour comprendre l'apprentissage et la rétention de mémoire dans les systèmes adaptatifs.