physics.comp-ph 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.

The Integral Decimation Method for Quantum Dynamics and Statistical Mechanics

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.

Ryan T. Grimm, Alexander J. Staat, Joel D. Eaves2026-04-09⚛️ quant-ph

Learning by training: emergent return-point memory from cyclically tuning disordered sphere packings

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.

Mengjie Zu, Carl P. Goodrich2026-04-09🔬 physics

Classical Neural Networks on Quantum Devices via Tensor Network Disentanglers: A Case Study in Image Classification

Cette étude propose une méthode hybride classique-quantique pour implémenter des couches de goulot d'étranglement de réseaux de neurones préentraînés sur des dispositifs quantiques en compressant les couches linéaires en opérateurs de produit matriciel (MPO) puis en les disant à l'aide de circuits quantiques, tout en conservant les performances sur des tâches de classification d'images comme MNIST et CIFAR-10.

Borja Aizpurua, Sukhbinder Singh, Román Orús2026-04-09⚛️ quant-ph

Multifluid Hydrodynamic Simulation of Metallic-Plate Collision Using the VOF Method

Cette étude présente une simulation hydrodynamique multifluide unidimensionnelle de la collision de plaques de plomb et d'acier pour le soudage explosif, utilisant une méthode de type Godunov couplée à la méthode VOF pour suivre l'interface et modéliser les contraintes de traction, dont les résultats numériques concordent avec les données expérimentales.

Fedor Belolutskiy, Elena Oparina, Svetlana Fortova2026-04-09🔬 physics

Asymptotic-Preserving Neural Networks for Viscoelastic Parameter Identification in Multiscale Blood Flow Modeling

Cette étude propose l'utilisation de réseaux de neurones préservant l'asymptotique pour identifier de manière fiable les paramètres viscoélastiques des parois artérielles et reconstruire les ondes de pression dans un modèle de flux sanguin multéchelle, en se basant sur des données cliniques accessibles comme la vitesse et la section transversale mesurées par échographie Doppler.

Giulia Bertaglia, Raffaella Fiamma Cabini2026-04-09🤖 cs.LG

DYNAMITE: A high-performance framework for solving Dynamical Mean-Field Equations

Le framework \textsc{Dynamite} présente une solution haute performance capable de résoudre les équations de champ moyen dynamique (DMFE) jusqu'à des temps inédits de l'ordre de $10^7$ , en combinant des techniques d'interpolation non uniforme, de pas de temps adaptatif et de « renormalisation » numérique de la mémoire pour étudier la dynamique lente dans des paysages énergétiques complexes.

Johannes Lang, Vincenzo Citro, Luca Leuzzi, Federico Ricci-Tersenghi2026-04-09🔬 cond-mat

Calibration of a neural network ocean closure for improved mean state and variability

Cette étude propose une méthode de calibration par inversion de Kalman ensembliste pour optimiser les paramètres d'une paramétrisation neuronale des tourbillons méso-échelles, réduisant ainsi d'un facteur deux les erreurs de l'état moyen et de la variabilité dans les modèles océaniques à résolution grossière.

Pavel Perezhogin, Alistair Adcroft, Laure Zanna2026-04-09🔬 physics

Two-dimensional active polar semiflexible polymer under shear flow

Cette étude par simulations numériques révèle comment l'activité et la rigidité influencent la structure, la dynamique de basculement et les propriétés rhéologiques, y compris une viscosité négative, des polymères semi-flexibles actifs polarisés soumis à un écoulement de cisaillement en deux dimensions.

A. Lamura, R. G. Winkler2026-04-09🔬 cond-mat

Operator Learning for Surrogate Modeling of Wave-Induced Forces from Sea Surface Waves

Cette étude propose l'utilisation de réseaux d'opérateurs profonds (DeepONets) comme modèle de substitution efficace et précis pour le modèle numérique SWAN, permettant de prédire avec fiabilité les gradients de contrainte de radiation et la hauteur significative des vagues dans des scénarios de simulation d'état stationnaire complexes.

Shukai Cai, Sourav Dutta, Mark Loveland, Eirik Valseth, Peter Rivera-Casillas, Corey Trahan, Clint Dawson2026-04-09🔬 physics

A Massively Scalable Ligand-Protein Dissociation Dynamic Database Derived from Atomistic Molecular Modelling

Cet article présente DD-03B, une base de données massivement évolutive contenant 0,3 milliard de trajectoires de dissociation all-atomique pour 19 037 complexes ligand-protéine, qui permet de caractériser les mécanismes cinétiques et de servir de fondation pour l'entraînement de modèles d'IA générative en conception de médicaments.

Maodong Li, Dechin Chen, Zhijun Pan, Zhe Wang, Yi Isaac Yang2026-04-09🔬 physics

← Précédent Suivant →