🔬 Category

physics.comp-ph

929 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.

Multireference error mitigation for quantum computation of chemistry

Cet article introduit l'Atténuation d'Erreur à États Multiréférences (MREM), une technique avancée d'atténuation d'erreurs quantiques qui utilise des états multiréférences compacts construits via des rotations de Givens pour améliorer significativement la précision des calculs de chimie quantique pour les systèmes moléculaires fortement corrélés, surmontant ainsi les limitations de l'Atténuation d'Erreur à État de Référence traditionnelle.

Hang Zou, Erika Magnusson, Hampus Brunander, Werner Dobrautz, Martin Rahm2026-01-22⚛️ quant-ph

Full-spectrum modeling of mobile gamma-ray spectrometry systems in scattering media

Cet article présente un cadre de modélisation à spectre complet, généralisé et indépendant de la plateforme, pour les systèmes de spectrométrie gamma mobiles en milieux diffusants, qui permet une génération de modèles de référence en temps quasi réel avec une accélération de calcul de 10710^7 et une grande précision, améliorant considérablement les capacités de localisation et de quantification des sources pour diverses applications environnementales et d'intervention d'urgence.

David Breitenmoser, Alberto Stabilini, Malgorzata Magdalena Kasprzak, Sabine Mayer2026-01-22🔬 physics.app-ph

Training Deep Physics-Informed Kolmogorov-Arnold Networks

Cet article propose les RGA KANs (Residual-Gated Adaptive KANs), une nouvelle architecture combinant un schéma d'initialisation agnostique à la base avec un portage résiduel, afin de surmonter les problèmes d'instabilité d'entraînement et de divergence des réseaux de Kolmogorov-Arnold physiques profonds, atteignant ainsi une précision et une stabilité supérieures à travers divers benchmarks d'équations aux dérivées partielles.

Spyros Rigas, Fotios Anagnostopoulos, Michalis Papachristou, Georgios Alexandridis2026-01-22🤖 cs.LG

Differentiable quantum-trajectory simulation of Lindblad dynamics for QGP transport-coefficient inference

Cet article présente une méthode de simulation de trajectoire quantique différentiable utilisant des estimateurs de gradient par fonction de score pour inférer efficacement les coefficients de transport du plasma quarks-gluons à partir des données de suppression des quarkonium en permettant l'optimisation basée sur le gradient sur des simulations Monte Carlo en code ouvert de la dynamique de Lindblad.

Lukas Heinrich, Tom Magorsch2026-01-22⚛️ nucl-ex

Variance Reduction in the Fokker-Planck Particle Method for Rarefied Gases using Quasi-Random Numbers

Cet article propose une technique de réduction de la variance pour la méthode particulaire de Fokker-Planck dans les simulations de gaz raréfiés en intégrant l'Array-Randomized Quasi-Monte Carlo (Array-RQMC) avec des nombres quasi-aléatoires, démontrant des taux de convergence améliorés et des erreurs d'estimateur réduites par rapport à l'échantillonnage pseudo-aléatoire traditionnel et aux autres méthodes de réduction de la variance.

Lukas Netterdon, Veronica Montanaro, Manuel Torrilhon, Hossein Gorji2026-01-22🔢 math

LiDRoSIS: An Automated MATLAB-Python Platform for Image Processing and Quantitative Analysis of Lipid Droplets and ROS in Irradiated Cells

LiDRoSIS est une plateforme automatisée MATLAB-Python qui intègre le traitement d'images et l'analyse statistique pour permettre une quantification reproductible et à haut débit des gouttelettes lipidiques et des espèces réactives de l'oxygène dans des cellules irradiées traitées avec des nanoparticules à base d'or.

Marco Ferreira, Ana Belchior, Teresa Pinheiro, Gil Alves, Maria Lopes2026-01-22🔬 physics

Ionization potential of radium monofluoride

Cet article rapporte la mesure expérimentale et la prédiction théorique par la méthode de la théorie de la structure électronique à couplage relativiste du potentiel d'ionisation du monofluorure de radium (RaF) à 4,969 eV, ainsi qu'un calcul amélioré de son énergie de dissociation, confirmant que le RaF est une molécule diatomique unique où l'énergie de dissociation excède le potentiel d'ionisation.

S. G. Wilkins, H. A. Perrett, S. M. Udrescu, A. A. Kyuberis, L. F. Pašteka, M. Au, I. Belošević, R. Berger, C. L. Binnersley, M. L. Bissell, A. Borschevsky, A. A. Breier, A. J. Brinson, K. Chrysalidis (…)2026-01-15⚛️ nucl-ex

Learning About Learning: A Physics Path from Spin Glasses to Artificial Intelligence

Cet article propose d'intégrer le modèle de Hopfield dans les programmes de physique de premier cycle en tant que pont pédagogique qui unifie la mécanique statistique, les systèmes dynamiques et l'algèbre linéaire pour aider les étudiants à comprendre les fondements physiques de l'intelligence artificielle moderne.

Denis D. Caprioti, Matheus Haas, Constantino F. Vasconcelos, Mauricio Girardi-Schappo2026-01-15🔬 cond-mat

Metabolic quantum limit to the information capacity of magnetoencephalography

En combinant la limite de résolution énergétique des capteurs quantiques avec la puissance métabolique du cerveau, cette étude établit une limite fondamentale indépendante de la technologie sur la capacité d'information de la magnétoencéphalographie, fixant un débit maximal de 2,2 Mbit/s et révélant un compromis spatio-temporel inhérent à l'imagerie cérébrale non invasive.

E. Gkoudinakis, S. Li, I. K. Kominis2025-11-09✓ Author reviewed ⓘ🔬 physics.bio-ph