995 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 présente un cadre de calcul multiscale basé sur la méthode LHMM qui relie avec succès la microstructure des adhésifs sensibles à la pression à leurs propriétés mécaniques macroscopiques, offrant ainsi une plateforme prédictive pour l'optimisation de leurs formulations.
Cette étude propose une stratégie de terminaison à l'azote pour améliorer de 21 % la conductance thermique interfaciale entre le cuivre et le diamant en modulant le transport des phonons via des modifications de masse et de liaison, évitant ainsi les problèmes de graphitisation liés aux revêtements métalliques.
Cette étude présente un nouvel algorithme sans entraînement basé sur la théorie des graphes pour segmenter et mesurer précisément les cellules de détonation à partir de traces de pression 3D, surmontant ainsi les limites des méthodes manuelles et de détection d'arêtes 2D traditionnelles.
Cet article présente un modèle quasi-statique sans maillage implémenté dans le code Wake-T, permettant une simulation efficace et précise des wakefields axialement symétriques dans les accélérateurs à plasma, ce qui réduit considérablement les coûts de calcul par rapport aux simulations PIC 3D tout en préservant la résolution des détails fins.
Cet article présente une méthode de post-traitement peu coûteuse utilisant des variables de Riemann différenciées pour reconstruire avec une précision extrême la géométrie des ondes et affiner les contacts dans les simulations d'Euler unidimensionnelles, surpassant ainsi les schémas THINC-BVD existants.
Ce travail présente SympFlow, un réseau de neurones symplectique dépendant du temps conçu pour modéliser et découvrir des systèmes hamiltoniens inconnus à partir de données de trajectoire tout en préservant rigoureusement la structure symplectique et en améliorant la conservation de l'énergie par rapport aux méthodes numériques classiques.
Cet article présente un cadre statistique inspiré de la mécanique quantique pour la fermeture des équations aux dérivées partielles, permettant de modéliser les degrés de liberté non résolus via des opérateurs de densité et de prédire leur impact sur la dynamique résolue, comme démontré avec succès sur les équations de l'eau peu profonde.
Le papier présente Aitomia, une plateforme intelligente basée sur l'IA qui démocratise et accélère les simulations atomistiques et chimiques quantiques en assistants experts et novices via des agents conversationnels et un accès unifié à divers logiciels de calcul.
Cet article présente une méthode novatrice utilisant des descripteurs spécifiques et une procédure de correction de phase pour apprendre avec une précision inédite les couplages non adiabatiques, permettant ainsi des simulations de dynamique moléculaire efficaces et robustes via la méthode « fewest-switches surface hopping » entièrement pilotée par l'apprentissage automatique.
Cette étude présente un nouveau potentiel analytique à grains grossiers pour les nanocristaux de cellulose, paramétré par apprentissage par renforcement, qui permet de modéliser avec succès leur anisotropie et leurs propriétés mécaniques à l'échelle mésoscopique tout en restant physiquement interprétable.