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.
Les auteurs présentent une machine à ultrasons virtuelle basée sur des particules, utilisant une variante innovante de la dynamique des particules dissipatives lissées, capable de simuler efficacement les interactions onde-matière à des fréquences de MHz à GHz pour étudier des phénomènes biomédicaux tels que l'acoustophorèse des microbulles.
Cette étude présente une méthode d'inférence bayésienne utilisant un modèle de substitution entraîné par apprentissage automatique et des calculs de capacité accélérés par GPU pour déterminer avec précision la distribution des impuretés dans les détecteurs au germanium ultra-pur à partir de mesures de capacité.
Cet article présente RINO, un cadre d'apprentissage d'opérateurs neuronaux résolu-indépendant qui surmonte les limitations de DeepONet en utilisant des algorithmes d'apprentissage de dictionnaire basés sur des représentations neuronales implicites pour traiter des données d'entrée et de sortie discrétisées à des emplacements et avec des densités arbitraires.
Cet article propose une méthode adaptative basée sur les processus gaussiens et le lisseur d'ensemble local itératif (ILUES) pour résoudre efficacement des problèmes inverses bayésiens multimodaux en générant des échantillons de haute qualité afin de construire des modèles de substitution précis avec un nombre limité de simulations.
Cette étude propose une approche d'identification des dommages dans les ponts-rails en treillis d'acier basée sur les réseaux de neurones informés par la physique (PINN), qui utilise des données de charge des roues et de réponse du pont pour mettre à jour les modèles éléments finis et localiser les dommages sans nécessiter de grands ensembles de données étiquetés.
Cet article présente un cadre d'expansion de clusters stochastique qui permet de calculer efficacement l'énergie de corrélation totale de grands systèmes avec une précision proche de celle de la DMRG, sans nécessiter de sélection préalable d'un espace actif.
En utilisant la simulation numérique propre (CNS), cet article fournit des preuves numériques suggérant que les équations de Navier-Stokes admettent des solutions globales distinctes à partir de conditions initiales quasi identiques, offrant ainsi un éclairage nouveau sur le problème de l'unicité et de l'existence lié au prix du Millénaire.
Cet article présente un cadre d'algorithme quantique pour simuler la formation d'images en microscopie électronique en transmission à contraste de phase, démontrant un avantage quantique potentiel pour les requêtes dans l'espace de Fourier et les observables cohérents, bien que la reconstruction complète de l'image reste limitée par le coût des mesures.
Le papier présente M-CODE, un système de catégorisation compact et open-source qui utilise une ontologie pour classer les structures de matériaux selon leur dimensionalité, leur complexité structurelle et leurs variantes d'évolution, afin de répondre aux besoins de normalisation des données en science des matériaux.
Cette étude démontre que l'utilisation de modèles d'apprentissage machine alimentés par des descripteurs physiquement pertinents et des ensembles de données compacts permet de prédire avec précision et de manière transférable les énergies de formation des dopants dans les monocouches de TiO₂, même avec un nombre limité d'exemples d'entraînement.