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.
Cette étude théorique démontre que le choix du fonctionnel de corrélation électron-positon, en particulier l'approximation de densité pondérée (WDA), est déterminant pour prédire avec précision les durées de vie des positons dans les pérovskites aux halogénures de plomb et réinterpréter les résultats expérimentaux concernant les lacunes cationiques et le polymorphisme.
Dans ce quatrième article d'une série, les auteurs étendent leur modèle de fermeture de moments par apprentissage machine à l'équation de transfert radiatif en 2D2V en exploitant la structure de la méthode classique pour concevoir une paramétrisation qui garantit, par construction, l'hyperbolicité symétrisable du système tout en améliorant les performances par rapport aux modèles classiques.
Cet article présente un pipeline pour construire un graphe de connaissances centré sur les auteurs dans le domaine de la recherche sur les batteries, en exploitant OpenAlex et des techniques d'extraction de mots-clés avancées pour faciliter la découverte de collaborateurs et l'analyse sémantique à l'échelle mondiale.
En utilisant la dynamique moléculaire assistée par l'apprentissage automatique, cette étude révèle que le glissement intercouche dans les super-réseaux de Moiré ferroélectriques en MoS₂ est un processus collectif médié par les parois de domaines avec une barrière énergétique ultrabasse, et non un déplacement rigide, et que de faibles concentrations de lacunes de soufre suffisent à transformer ce glissement en un épinglage localisé.
Cet article présente un outil open-source d'interprétabilité mécanistique conçu pour décrypter les prévisions des modèles météorologiques basés sur l'IA, en analysant leurs représentations latentes afin d'identifier des caractéristiques météorologiques interprétables, comme démontré sur le modèle GraphCast.
Ce papier propose une méthode d'intégrale de frontière basée sur une grille cartésienne, utilisant des variables et des solveurs matrice-libres, pour résoudre efficacement et de manière stable des problèmes d'interfaces mobiles complexes tels que les écoulements de Hele-Shaw et les problèmes de Stefan.
Cet article propose une procédure de stabilisation par hyperviscosité adaptative pour la méthode RBF-FD, capable de résoudre efficacement des équations de transport dominées par l'advection sur des domaines sans frontière en déterminant automatiquement le paramètre de stabilisation via le rayon spectral de la matrice d'évolution, tout en optimisant le coût computationnel grâce à une augmentation monomiale réduite et une stratégie hybride d'ordres de splines.
Cette étude démontre que l'accélération par diffusion synthétique (DSA) basée sur une formulation de pénalité intérieure modifiée (MIP) reste robuste et efficace pour les équations de transport discrétisées par éléments finis discontinus polytopiques, surpassant la formulation symétrique classique (SIP) qui peut perdre en stabilité dans les régimes intermédiaires.
Cet article présente un cadre d'inversion itératif non uniforme combinant des techniques de phase et des méthodes rapides d'inversion de Fourier non uniforme pour reconstruire efficacement des structures 3D isolées à partir de données de diffusion cohérente de surface, même en présence d'effets de diffusion dynamique et avec un nombre limité d'angles d'incidence.
Cet article propose un opérateur neuronal différentiable, renforcé par des contraintes physiques pour garantir la convexité des enveloppes de rupture et optimisé par une stratégie d'apprentissage actif, afin de prédire efficacement et d'identifier inversement les comportements de rupture des matériaux granulaires sans recourir à des simulations micromécaniques coûteuses.