977 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.
Ce papier présente une méthode novatrice combinant l'échantillonnage d'importance multi-états et une architecture de réseaux de neurones appelée « Excited Pfaffians » pour calculer efficacement et avec précision les états excités et les surfaces d'énergie potentielle de multiples systèmes moléculaires et atomiques.
Cette étude présente un cadre robuste et efficace basé sur un réseau de neurones convolutifs 1D pour l'analyse en temps réel des spectres de résonance magnétique détectée optiquement des centres azote-lacune, surpassant les méthodes d'ajustement non linéaire traditionnelles en précision et en rapidité, notamment dans des conditions de faible rapport signal-sur-bruit, et démontrant son applicabilité à l'imagerie magnétique et à la thermométrie nanométrique.
Cet article présente une extension de l'approche de backflow par réseaux de neurones aux solides *ab initio*, utilisant une stratégie d'élagage à deux étapes pour gérer efficacement l'espace des configurations et atteindre une précision de pointe sur divers matériaux, de chaînes d'hydrogène au graphène et au silicium.
Les auteurs proposent une méthode atomistique évolutive permettant de modéliser avec précision le couplage électron-phonon et le transport électronique dans les systèmes à échelle de moiré, comme le graphène bicouche torsadé, en reproduisant les tendances expérimentales sur de vastes cellules unitaires inaccessibles aux calculs de premiers principes traditionnels.
Cet article présente une démonstration reproductible d'un flux de travail scientifique assisté par l'IA, validé sur des problèmes canoniques en physique et en mathématiques, prouvant que l'IA peut servir de copilote fiable pour la dérivation, l'implémentation et la rédaction scientifique lorsqu'elle est rigoureusement encadrée par des vérifications explicites et des benchmarks théoriques.
Cette étude démontre qu'un réseau hypothétique de 175 capteurs de pression au fond marin permet d'effectuer des prévisions probabilistes de tsunamis en temps réel dans la zone de subduction de Cascadia en moins d'une seconde, grâce à une méthode d'assimilation de données bayésienne combinant une précomputation hors ligne et une inférence en ligne, avec des erreurs de prévision inférieures à 22 %.
Cette étude démontre que, bien que les moments magnétiques locaux persistent au-dessus de la température de Néel dans les altermagnets CrSb et MnTe, la restauration de la dégénérescence de spin de Kramers se produit de manière progressive et à des températures distinctes selon que le matériau est métallique (CrSb) ou semi-conducteur (MnTe), ce qui a des implications majeures pour leurs propriétés de transport de spin.
Cette étude propose un cadre novateur de convolutional autoencoder et neural ODE (CAE-NODE) pour créer un modèle d'ordre réduit capable de prédire avec une grande précision l'évolution temporelle complète de flammes de contre-courant 2D transitoires, depuis l'allumage jusqu'à la transition vers des conditions non prémélangées.
Cet article propose une méthode de modélisation cohérente pour les simulations des grandes échelles (LES) en approximatant directement le terme d'advection filtré via une série infinie, éliminant ainsi les incohérences conceptuelles du cadre LES classique et améliorant la précision des spectres d'énergie cinétique et des corrélations de vitesse.
Cet article présente une reformulation stochastique du cadre AMIAS/RISE pour la tomographie d'émission, utilisant l'échantillonnage Hamiltonien pour générer des ensembles d'images permettant de quantifier les incertitudes et de valider les modèles d'acquisition au-delà des reconstructions ponctuelles déterministes.