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 présente une méthode d'optimisation par gradient basée sur l'estimation Gumbel-Softmax qui permet d'effectuer une rétropropagation à travers des simulations stochastiques exactes pour l'inférence de paramètres et la conception inverse dans les systèmes biologiques et physiques régis par des dynamiques markoviennes.
Cet article propose le TAPINN, une architecture de réseaux de neurones informés par la physique qui utilise une régularisation métrique supervisée et une optimisation alternée pour surmonter les biais spectraux et les effondrements de modes lors de la modélisation de systèmes dynamiques à transitions de régime abruptes, comme le démontrent des résultats supérieurs sur l'oscillateur de Duffing.
Cette étude empirique démontre que, malgré des performances compétitives sur certains résidus polynomiaux, les réseaux KAN intégrés dans des architectures HRPINN souffrent d'une fragilité hyperparamétrique et d'une instabilité qui les rendent généralement moins efficaces que les MLP pour la découverte de termes multiplicatifs et de couplages d'états dans les systèmes oscillatoires.
Cette étude présente la première comparaison systématique de sept codes hydrodynamiques appliqués à l'instabilité de streaming non stratifiée, démontrant un accord qualitatif sur la dynamique de l'instabilité tout en identifiant le modèle de poussière et la résolution comme sources principales de variations quantitatives, et soulignant l'efficacité énergétique supérieure des implémentations GPU.
Cette étude présente un cadre de conception inverse combinant des algorithmes génétiques et des simulations micromagnétiques en domaine fréquentiel pour optimiser automatiquement la structure de cristaux magnoniques bidimensionnels afin d'obtenir de larges bandes interdites magnoniques.
Cet article présente Ara, un agent piloté par un modèle de langage qui accélère la découverte de réseaux organiques covalents photocatalytiques durables en surmontant le compromis stabilité-activité grâce à une logique chimique interprétable, surpassant ainsi les méthodes de recherche aléatoire et d'optimisation bayésienne.
Cette étude étend la théorie de la relaxation spin-réseau aux processus à trois phonons dans un complexe de nitrure de chrome, démontrant que ces contributions restent négligeables aux températures accessibles expérimentalement, ce qui valide l'hypothèse de couplage faible tout en ouvrant la voie à l'exploration de régimes de couplage plus fort.
Cet article présente une méthode des éléments finis de frontière dans le domaine temporel (TDBEM) de type Galerkin, stabilisée par une procédure de quadrature efficace, qui permet de prédire avec précision et robustesse la diffusion et le blindage acoustiques de sources aéroacoustiques complexes comme les hélices, en validant la méthode par des solutions analytiques et des mesures expérimentales.
Cet article présente la création et la mise à disposition publique du jeu de données Open Polymers 2026 (OPoly26), comprenant plus de 6,57 millions de calculs DFT sur des systèmes polymères, afin de combler le manque de données pour l'entraînement de modèles d'apprentissage automatique et d'améliorer la prédiction des propriétés des polymères.
Cet article propose un cadre génératif novateur combinant des modèles de langage, une recherche heuristique linéaire et un processus de diffusion pour prédire rigoureusement les structures cristallines en générant directement des motifs de Wyckoff cohérents avec la symétrie, surmontant ainsi les goulots d'étranglement combinatoires et les dépendances aux bases de données des méthodes existantes.