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.
Cet article présente une méthode d'inférence amortie pour l'estimation de posteriors multi-modaux à l'aide de flux normalisants entraînés par échantillonnage d'importance pondéré par la vraisemblance, démontrant que l'initialisation avec un modèle de mélange gaussien adapté à la topologie cible est essentielle pour éviter les artefacts de connexion entre modes et améliorer la fidélité de reconstruction.
Cet article présente un classificateur de jets de quark top basé sur une architecture EfficientNet légère et évolutive, enrichie par des caractéristiques globales, qui offre des performances compétitives tout en réduisant considérablement les coûts de calcul par rapport aux modèles Transformer ou aux réseaux de neurones graphiques.
Le papier présente MAD-SURF, un potentiel interatomique basé sur l'apprentissage automatique conçu pour prédire avec une précision DFT et une vitesse accrue l'adsorption et l'assemblage de molécules organiques sur des surfaces de métaux nobles.
Cet article démontre que l'homogénéisation des mesures de Young appliquée à l'équation de transfert radiatif permet de représenter la complexité spectrale via une décomposition en train de tenseurs de faible rang, dont le rang reste borné indépendamment de la résolution spectrale et du type d'opacité, offrant ainsi une précision supérieure aux méthodes existantes comme la distribution k corrélée.
Cette étude propose une tessellation de surface harmonique d'ordre supérieur optimisée pour les échangeurs de chaleur air-air fabriqués par impression 3D, démontrant qu'elle surpasse les structures TPMS comme le gyroïde en régime turbulent grâce à un meilleur compromis entre efficacité thermique et perte de charge, la fréquence de l'onde secondaire s'avérant être le paramètre de contrôle le plus critique.
Le papier présente PINEAPPLE, un cadre novateur combinant réseaux de neurones informés par la physique et algorithmes d'évolution pour estimer rapidement et précisément les paramètres internes des batteries lithium-ion à partir de courbes de décharge, permettant ainsi un diagnostic non destructif et évolutif de l'état de santé.
Cet article propose une méthode efficace basée sur un algorithme AAA matriciel pour représenter la matrice de diffusion (T-matrice) sous forme d'un développement en pôles, permettant ainsi une description précise et peu coûteuse de la réponse de diffusion sur un large domaine spectral tout en offrant des outils open-source pour la communauté scientifique.
Cette étude utilise l'algorithme d'échantillonnage imbriqué via le programme nested_fit pour calculer la fonction de partition et explorer les surfaces d'énergie potentielle de clusters de Lennard-Jones à 7 et 36 atomes, démontrant ainsi sa capacité à identifier les transitions de phase et les configurations stables tout en soulignant l'impact de l'échantillonnage par tranches sur le coût computationnel.
Le papier présente GollumFit, un cadre open-source conçu pour IceCube permettant d'effectuer des analyses par vraisemblance binnée de manière efficace, en intégrant des paramètres de modèle spécifiques aux télescopes à neutrinos et en gérant un grand nombre de paramètres de nuisance.
Ce papier présente QHFlow2, un modèle d'hamiltonien d'apprentissage automatique novateur qui, grâce à une architecture SO(2)-équivariante, établit un nouvel état de l'art en matière de précision pour la prédiction directe des énergies et des forces moléculaires, surpassant significativement les modèles existants tout en démontrant une corrélation directe entre la justesse de l'hamiltonien et la qualité des propriétés physiques dérivées.