🔬 Category

physics.comp-ph

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.

Restoring Convergence Order in Explicit Runge-Kutta Integration of Hyperbolic PDE with Time-Dependent Boundary Conditions

Cet article propose une méthode de correction purement spatiale des opérateurs de dérivée près des frontières pour restaurer l'ordre de convergence nominal des schémas d'intégration Runge-Kutta explicites appliqués à des problèmes hyperboliques avec conditions aux limites dépendantes du temps, en redéfinissant les stencils aux limites plutôt qu'en modifiant l'intégrateur temporel.

Giorgio Maria Cavallazzi, Miguel Pérez Cuadrado, Alfredo Pinelli2026-04-13🔬 physics

Modeling non-Poissonian temporal hypergraphs by Markovian node dynamics

Cette étude propose un modèle temporel d'hypergraphes où des dynamiques de nœuds markoviennes, alternant entre états d'activité faible et élevée, génèrent des interactions de groupe présentant des séquences d'événements bursty et des corrélations temporelles non triviales, reproduisant ainsi les distributions d'intervalles à longue queue et les décroissances lentes d'autocorrélation observées dans les données empiriques.

Hang-Hyun Jo, Naoki Masuda2026-04-10🔬 physics

Differentiable hybrid force fields support scalable autonomous electrolyte discovery

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.

Xintian Wang, Junmin Chen, Zhuoying Zhu, Peichen Zhong2026-04-10🔬 cond-mat.mtrl-sci

Tensor-Augmented Convolutional Neural Networks: Enhancing Expressivity with Generic Tensor Kernels

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.

Chia-Wei Hsing, Wei-Lin Tu2026-04-10🔬 physics

Direction-aware topological descriptors for Young's modulus prediction in porous materials

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.

Rafał Topolnicki, Michał Bogdan, Jakub Malinowski, Bartosz Naskręcki, Maciej Harańczyk, Paweł Dłotko2026-04-10🔬 cond-mat.mtrl-sci

SMC-AI: Scaling Monte Carlo Simulation to Four Trillion Atoms with AI Accelerators

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.

Xianglin Liu, Kai Yang, Fanli Zhou, Yongxiang Liu, Hao Chen, Yijia Zhang, Dengdong Fan, Wenbo Li, Bingqiang Wang, Shixun Zhang, Pengxiang Xu, Yonghong Tian2026-04-10🔬 physics