917 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.
Cet article établit une théorie ab initio des fonctions de Wannier dans le vide qui unifie les descriptions tight-binding et des électrons quasi-libres aux interfaces solide-vide, permettant des calculs prédictifs de photoémission sans potentiels semi-empiriques grâce à un principe d'empilement dense en espace k.
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.
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 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.
Le papier présente ANNA, une boîte à outils MATLAB et Octave (avec une version Python) qui calcule efficacement le bruit newtonien induit par les ondes sismiques dans le sol pour les interféromètres gravitationnels comme l'Einstein Telescope, en utilisant une méthode d'éléments finis validée par des solutions analytiques.
Cet article propose une méthode post-hoc légère utilisant les différences finies pour estimer les erreurs ponctuelles des réseaux de neurones informés par la physique (PINN) sans connaître la solution exacte, renforçant ainsi la confiance dans leurs prédictions.
Cet article présente des réseaux de neurones informés par la physique et un nouvel opérateur neuronal hybride (WGNO) qui permettent de simuler avec une grande précision et une rapidité accrue la diffraction des ondes électromagnétiques EUV sur des masques de lithographie, offrant ainsi une solution efficace pour l'optimisation des procédés de fabrication de semi-conducteurs.