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.

How Does Intercalation Reshape Layered Structures? A First-Principles Study of Sodium Insertion in Layered Potassium Birnessite

Cette étude de première principe par la théorie de la fonctionnelle de la densité hybride révèle comment l'intercalation de sodium dans la birnessite de potassium modifie sa stabilité structurale, ses propriétés de diffusion ionique et ses caractéristiques électroniques, transformant le matériau en un semi-conducteur magnétique bipolar contrôlable pour des applications en spintronique et en stockage d'énergie.

Adriana Lee Punaro, Daniel Maldonado-Lopez, Jorge L. Cholula-Díaz, Marcelo Videa, Jose L. Mendoza-Cortes2026-04-14🔬 cond-mat.mtrl-sci

Scalable Generative Sampling and Multilevel Estimation for Lattice Field Theories Near Criticality

Cet article présente un échantillonneur génératif multéchelle, inspiré du groupe de renormalisation, qui surmonte le ralentissement critique dans les théories de champs sur réseau en combinant des mélanges gaussiens conditionnels et des flux normalisants continus masqués pour réduire drastiquement les temps d'autocorrélation tout en permettant une estimation multiniveau non biaisée.

A. Singha, J. Kauffmann, E. Cellini, K. Jansen, S. Nakajima2026-04-14⚛️ hep-lat

HydroFirn: A numerical model for large-scale multidimensional firn hydrology

Ce papier présente HydroFirn, un modèle numérique multidimensionnel et thermomécanique efficace pour la hydrologie du firn, qui améliore la compréhension des processus locaux complexes et réduit les incertitudes liées aux estimations de la masse de la calotte glaciaire et des flux d'eau douce.

Mohammad Afzal Shadab, Surendra Adhikari, C. Max Stevens, Asa K. Rennermalm, Jing Xiao, Marc A. Hesse, and Reed M. Maxwell2026-04-14🔬 physics

Active Learning for Generalizable Detonation Performance Prediction of Energetic Materials

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.

R. Seaton Ullberg, Megan C. Davis, Jeremy N. Schroeder, Andrew H. Salij, M. J. Cawkwell, Christopher J. Snyder, Wilton J. M. Kort-Kamp, Ivana Matanovic2026-04-13🔬 physics

EquiformerV3: Scaling Efficient, Expressive, and General SE(3)-Equivariant Graph Attention Transformers

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.

Yi-Lun Liao, Alexander J. Hoffman, Sabrina C. Shen, Alexandre Duval, Sam Walton Norwood, Tess Smidt2026-04-13🔬 physics