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.

Machine learning surrogate models of many-body dispersion interactions in polymer melts

Cet article présente un modèle de substitution par apprentissage automatique basé sur une architecture SchNet optimisée, capable de prédire avec précision et efficacité les interactions de dispersion à plusieurs corps dans les polymères fondus, permettant ainsi leur intégration pratique dans des simulations moléculaires à grande échelle.

Zhaoxiang Shen, Raúl I. Sosa, Jakub Lengiewicz, Alexandre Tkatchenko, Stéphane P. A. Bordas2026-04-01🤖 cs.LG

Sparse Müntz--Szász Recovery for Boundary-Anchored Velocity Profiles: A Short-Record Roughness Diagnostic in Turbulence

Cet article présente un cadre de régularisation convexe sparse basé sur une base de Müntz--Szász pour estimer des exposants d'échelle locaux à partir de profils de vitesse courts ancrés à la frontière, servant de diagnostic géométrique à échelle finie capable de révéler une structure directionnelle et une organisation anisotrope dans les régions de forte vorticité des écoulements turbulents.

D Yang Eng2026-04-01🌀 nlin

The Closure Challenge: a benchmark task for machine learning in turbulence modelling

Ce papier présente le « Closure Challenge », une initiative de benchmark open-source conçue pour combler le manque de métriques et de jeux de données standardisés dans le domaine de la modélisation de la turbulence par apprentissage automatique, en évaluant la capacité de généralisation des modèles sur des cas tests variés.

Ryley McConkey, Tyler Buchanan, Tess Smidt, Abigail Bodner, Richard Dwight, Paola Cinnella2026-04-01🔬 physics

Process-tensor approach to full counting statistics of charge transport in quantum many-body circuits

Les auteurs proposent une méthode numérique basée sur les tenseurs de processus pour calculer les statistiques complètes du transport de charge dans des systèmes quantiques unidimensionnels en interaction, permettant de caractériser des régimes de transport ballistiques, superdiffusifs et diffusifs tout en confirmant la rupture de l'universalité de Kardar-Parisi-Zhang aux points isotropes.

Hari Kumar Yadalam, Mark T. Mitchison2026-04-01⚛️ quant-ph

Solving the (Navier-)Stokes equations with space and time adaptivity using deal.II

Cet article présente la résolution des équations de Stokes et de Navier-Stokes à l'aide de la bibliothèque deal.II, en exploitant ses infrastructures de multigrille, d'adaptation de maillage et sans matrice pour concevoir des solveurs itératifs efficaces sur des maillages adaptatifs en espace et en temps.

Peter Munch, Marc Fehling, Martin Kronbichler, Nils Margenberg, Laura Prieto Saavedra2026-04-01🔬 physics

A Precision Emulation Approach to the GPU Acceleration of Ab Initio Electronic Structure Calculations

Cette étude démontre que l'émulation de précision INT8, orchestrée par l'outil SCILIB-Accel sur une architecture de mémoire unifiée, permet d'accélérer les calculs de structure électronique *ab initio* sans modifier le code source, tout en maintenant une précision contrôlable et en optimisant l'utilisation matérielle des GPU.

Hang Liu, Junjie Li, Yinzhi Wang, Niraj K. Nepal, Yang Wang2026-04-01🔬 physics

Learning the Exact Flux: Neural Riemann Solvers with Hard Constraints

Cet article propose un solveur de Riemann neuronal à contraintes rigides (HCNRS) qui, en imposant la positivité, la consistance, la symétrie miroir, l'invariance galiléenne et l'invariance d'échelle, permet d'apprendre avec précision le flux exact des équations d'Euler et des eaux peu profondes tout en évitant les erreurs de conservation et les bris de symétrie observés dans les approches non contraintes.

Yucheng Zhang, Chayanon Wichitrnithed, Shukai Cai, Sourav Dutta, Kyle Mandli, Clint Dawson2026-04-01✓ Author reviewed 🔬 physics

GPU acceleration of ab initio simulations of large-scale identical particles based on path integral molecular dynamics

Cette étude présente un code PIMD open-source optimisé pour les GPU capable de simuler efficacement des systèmes quantiques à grande échelle comportant jusqu'à 40 000 particules identiques, offrant ainsi une solution prometteuse pour surmonter le problème du signe des fermions et étendre les simulations ab initio à des dizaines de milliers de particules.

Yunuo Xiong2026-03-31🔬 cond-mat