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.
Cet article présente les opérateurs neuronaux comme une alternative rapide et précise aux méthodes numériques traditionnelles pour la résolution d'équations aux dérivées partielles, tout en soulignant leur potentiel pour compléter les approches classiques en physique et en ingénierie tout en identifiant les défis ouverts du domaine.
Le papier présente LEDDS, un cadre open-source portable qui réalise des simulations couplées LBM-DEM efficaces sur GPU en utilisant exclusivement des primitives algorithmiques de haut niveau, offrant ainsi des performances comparables aux solveurs CUDA manuellement optimisés tout en garantissant la lisibilité et la portabilité du code.
Cet article présente une méthode utilisant des simulateurs différentiables pour apprendre des opérateurs de collision dépendants du temps et intégrodifférentiels à partir de données de phase plasma, permettant de reproduire avec précision la dynamique des plasmas hors équilibre là où les solutions théoriques fermées font défaut.
Cet article présente un modèle de Monte Carlo par intégrale de chemin exactement soluble pour des fermions harmoniques en interaction, démontrant que le problème de signe est principalement inhérent aux fermions libres et que les états à couches fermées peuvent l'éliminer, tout en validant ces résultats par des simulations numériques comparées aux réseaux de neurones.
Cet article présente l'équation de Langevin généralisée avec désordre spatial (SD-GLE), une méthode pilotée par les données qui utilise un cadre bayésien variationnel pour distinguer le désordre spatial statique de la friction viscoélastique, permettant ainsi de prédire avec précision la dynamique à long terme et les propriétés statistiques des systèmes hétérogènes où les approches conventionnelles échouent.
Cette étude examine le comportement hydrodynamique d'un modèle numérique de type frontière immergée – Boltzmann sur réseau pour les problèmes de mouillage, en le comparant à des méthodes de surface et de volume de fluides afin d'en évaluer la validité et les limites, notamment la formation d'un film mince sous la goutte.
Cette étude computationnelle révèle que l'adsorption des thiocyanates interstellaires HCSCN et HCSCCH sur la glace d'eau crée un paradoxe de survie où les sites profonds, bien que thermodynamiquement protégés contre la désorption, deviennent plus vulnérables à la photodissociation en raison d'une absorption UV renforcée.
Cet article présente deux modèles de substitution basés sur l'apprentissage profond, à savoir un Transformer fondé sur la théorie de Koopman et un ConvLSTM-UNet, capables de prédire avec précision et à faible coût computationnel l'évolution temporelle des instabilités de Kelvin-Helmholtz en magnétohydrodynamique 2D tout en préservant les structures physiques essentielles.
Cet article propose une formulation préservant la structure des dynamiques de contact pour contrôler de manière cohérente la dissipation d'énergie lors des impacts de particules non sphériques, en démontrant que la loi d'amortissement doit être intrinsèquement liée à la géométrie de contact et en établissant que le coefficient de restitution pertinent est celui du point de contact plutôt que celui de l'énergie totale.
Cet article présente un cadre d'apprentissage automatique basé sur des réseaux de neurones informés par la physique (PINN) qui, en combinant une formulation variationnelle et une expansion de Magnus, permet d'optimiser efficacement l'information de Fisher quantique dans des systèmes à plusieurs corps dépendants du temps en inférant directement les potentiels de jauge adiabatiques et les fonctions de programmation pour des stratégies de contrôle métrologiquement optimales.