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 évalue les performances du cadre EUCLID pour la découverte automatique de lois constitutives hyperélastiques à partir de données expérimentales sur le caoutchouc naturel, en comparant cette approche d'identification unifiée aux méthodes conventionnelles en termes de précision prédictive et de généralisation à des géométries non vues.
`diffpy.morph` est un package Python open-source qui permet de comparer des spectres 1D de manière indépendante de tout modèle en appliquant des transformations (« morphs ») pour éliminer les différences non pertinentes et révéler les changements structurels ou chimiques significatifs.
Ce travail présente un cadre de modélisation conditionnelle multimodale basé sur des réseaux de densité de mélange (MDN), intégrant des lois physiques sous forme de régularisations pour capturer de manière interprétable et efficace les comportements non uniques et les changements de régime dans les systèmes scientifiques complexes.
Cette étude démontre que l'incohérence entre les données et les équations physiques impose une limite intrinsèque à la précision des réseaux de neurones informés par la physique (PINN), un phénomène qualifié de « barrière de cohérence ».
Cette étude utilise la théorie de la réponse pour analyser la dynamique et la séparation des charges électroniques, démontrant que la réponse quadratique est nécessaire pour décrire fidèlement ces processus par rapport à la réponse linéaire.
Cette étude par calculs de premier principe démontre que les hydrures () présentent des propriétés thermodynamiques, optiques et mécaniques variées, tout en identifiant le comme le candidat le plus prometteur pour le stockage de l'hydrogène grâce à sa capacité de stockage supérieure (4,005 % en poids).
Cette étude présente un nouveau schéma cinétique gazeux compact de haut ordre dans une formulation arbitraire Lagrangienne-Eulerienne (ALE), qui optimise l'efficacité computationnelle et la précision du suivi des discontinuités grâce à une évolution temporelle directe et une reconstruction spatiale simplifiée.
Cette étude présente une méthode d'apprentissage automatique basée sur la régression par processus gaussiens qui, en utilisant des descripteurs à longue portée, permet de prédire avec précision la densité électronique de grands superréseaux de moirés à partir de structures de petite taille.
Ce papier présente un nouvel algorithme de simulation entièrement différentiable qui unifie la mécanique des fluides (régimes continu et raréfié) et l'apprentissage automatique, permettant ainsi une optimisation de bout en bout pour la découverte physique et la modélisation de données.
Cette étude démontre que l'application d'une stratégie de paramétrage optimale pour la gestion des trajectoires réduit significativement la variance des estimations de temps de passage moyen (MFPT) dans des simulations de repliement moléculaire complexes.