🔬 Category

physics.comp-ph

922 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.

Physics Constrained Neural Collision Operators for Variable Hard Sphere Surrogates and Ab Initio Angle Prediction in Direct Simulation Monte Carlo

Cet article présente un cadre unifié d'opérateurs neuronaux contraints par la physique qui accélère la méthode DSMC en remplaçant le modèle sphère dure variable par un noyau de collision stochastique généralisable et en prédisant efficacement les angles de diffusion pour les potentiels *ab initio*, réduisant ainsi les coûts computationnels tout en préservant les invariants physiques.

Ehsan Roohi, Ahmad Shoja-Sani, Stefan Stefanov2026-02-26🔬 physics

Emergent Rate Laws for Collective Lying-Standing Transitions

En combinant des simulations de Monte Carlo cinétique et une approche de moyennage de champ moyen, cette étude établit une loi de vitesse collective pour les transitions couchée-debout des molécules à l'interface organique-inorganique, démontrant que la géométrie moléculaire et la diffusion agissent comme des paramètres de contrôle intrinsèques permettant de dériver une expression analytique prédictive pour ces dynamiques complexes.

Anna Werkovits, Simon B. Hollweger, Oliver T. Hofmann2026-02-26🔬 physics

MBD-ML: Many-body dispersion from machine learning for molecules and materials

L'article présente MBD-ML, un réseau de neurones préentraîné qui prédit directement les propriétés atomiques nécessaires au calcul des interactions de dispersion à plusieurs corps (MBD) à partir des structures atomiques, permettant ainsi une intégration fluide et efficace de ces interactions dans les codes de structure électronique et les champs de force sans nécessiter de calculs électroniques intermédiaires.

Evgeny Moerman, Adil Kabylda, Almaz Khabibrakhmanov, Alexandre Tkatchenko2026-02-26🔬 cond-mat.mtrl-sci

Self-gravity in thin protoplanetary discs: 1. The smoothing-length approximation versus the exact self-gravity kernel

Les auteurs proposent un noyau de gravité auto-cohérent exact, basé sur des fonctions de Bessel modifiées, pour les disques protoplanétaires minces qui remplace les approximations de longueur de lissage par une prescription rigoureuse respectant la nature newtonienne de la gravité et compatible avec les méthodes FFT.

S. Rendon Restrepo, T. Rometsch, U. Ziegler, O. Gressel2026-02-25🔭 astro-ph

Enhancing Heat Sink Efficiency in MOSFETs using Physics Informed Neural Networks: A Systematic Study on Coolant Velocity Estimation

Cette étude propose une méthode utilisant des réseaux de neurones informés par la physique (PINN) avec un entraînement séquentiel des couches pour estimer efficacement la vitesse du fluide de refroidissement nécessaire à la dissipation thermique des MOSFET, validée par des résultats expérimentaux.

Aniruddha Bora, Isabel K. Alvarez, Julie Chalfant, Chryssostomos Chryssostomidis2026-02-25🤖 cs.AI

Combining Quasiparticle Self-Consistent $GW$ and Machine-Learned DFT+UU in Search of Half-Metallic Heuslers

Cette étude présente une investigation *ab initio* de Heuslers à base de cobalt et de nickel adaptés au réseau de l'InAs, démontrant que l'ajustement des corrections DFT+UU par optimisation bayésienne permet de reproduire efficacement les résultats de la méthode quasiparticule auto-cohérente $GW$ pour identifier des composés demi-métalliques prometteurs pour la spintronique.

Zefeng Cai, Malcolm J. A. Jardine, Maituo Yu, Chenbo Min, Jiatian Wu, Hantian Liu, Derek Dardzinski, Christopher J. Palmstrøm, Noa Marom2026-02-25🔬 cond-mat.mtrl-sci