133 articles
Cet article propose une optimisation du modèle de mouvement absolu des plaques optAPM, notamment grâce à une formulation simplifiée de la fonction de coût des points chauds et à une pré-interpolation des données, permettant d'améliorer la précision des reconstructions géologiques sur des échelles de temps de l'ordre de 100 millions d'années.
Cet article propose un cadre de calcul général intégrant un module d'attention entraînable pour optimiser l'extraction d'informations à partir de systèmes dynamiques physiques, démontrant que l'adaptation de la localisation des capteurs améliore significativement la précision des prédictions dans des contextes chaotiques.
Cet article présente une extension à deux niveaux pour le simulateur micromagnétique mumax+ qui intègre efficacement le couplage photon-magnon dans des cavités multimodes, permettant de modéliser et de valider, via des simulations GPU et Python, la transition entre les régimes de couplage cohérent et dissipatif dans les matériaux ferromagnétiques et antiferromagnétiques.
Cet article propose une méthode numérique simple basée sur l'échantillonnage par transformation inverse pour charger une distribution relativiste de type Maxwellien, en approximant sa fonction de distribution cumulative par une fonction inversable afin de générer efficacement des vecteurs d'impulsion.
Cet article présente une méthode numérique basée sur le domaine temporel et la méthode de Galerkin discontinue pour calculer avec précision les forces de Casimir-Lifshitz dans des géométries complexes et à température finie, en reformulant le tenseur de Maxwell comme un problème de diffusion classique.
Cette étude présente un modèle de substitution basé sur les opérateurs de réseaux neuronaux de Fourier (FNO) capable de prédire en quelques secondes, avec une précision équivalente aux simulations Monte Carlo, le transport des protons et la production de neutrons pour permettre une vérification en temps réel de la portée dans la protonthérapie.
Cet article présente une méthode de gradient modifié qui élimine complètement l'erreur de divergence magnétique dans les simulations magnétohydrodynamiques sans maillage, offrant une précision supérieure aux techniques de gradient contraint et au code GIZMO.
Cet article analyse la sensibilité accrue aux hyperparamètres des machines d'Ising à rétroaction par mesure par rapport aux modèles continus et propose une méthode expérimentale pour réduire cette sensibilité, améliorant ainsi leur opération pratique.
Cet article présente le développement de deux potentiels interatomiques appris par machine (tabGAP et NEP) et d'une base de données diversifiée pour simuler efficacement des alliages réfractaires multiphases contenant des éléments des groupes 4 à 6, permettant ainsi l'étude de transitions de phase, de ségrégations aux joints de grains et de dommages par irradiation.
Cette étude présente le développement d'un potentiel interatomique appris par machine pour les MXenes TiC, permettant des simulations de dynamique moléculaire efficaces et précises sous irradiation ionique afin d'éclairer l'ingénierie des défauts et d'établir une méthode reproductible pour d'autres matériaux MXenes.
En utilisant des méthodes d'apprentissage automatique, cette étude révèle que les parois de domaines chargés dans le monocouche de bismuth bidimensionnel sont plus stables énergétiquement et hébergent des états interfaciaux topologiques qui, sous l'effet de champs électriques internes, se scindent pour créer une intersection de bandes accidentelle au niveau de Fermi, ouvrant ainsi la voie à des dispositifs ferroélectriques innovants.
Cet article présente GET-SEI, un cadre général basé sur l'apprentissage contrastif de graphes et la théorie des chemins de transition qui permet d'identifier automatiquement les environnements atomiques locaux et de quantifier les mécanismes de transport du lithium dans les interfaces électrolyte/anode des batteries à l'état solide.
Le système d'IA autonome ChemNavigator a découvert de manière indépendante six règles de conception statistiquement significatives pour les photocatalyseurs organiques en intégrant le raisonnement des modèles de langage et des calculs quantiques, démontrant ainsi la capacité de l'IA à déduire des principes chimiques fondamentaux pour guider la découverte de matériaux.