2467 articoli
La statistica meccanica è il ponte affascinante che collega il comportamento invisibile di singole particelle alle proprietà tangibili della materia che ci circonda. Su Gist.Science, esploriamo come le fluttuazioni casuali e le interazioni collettive diano origine a fenomeni complessi come la superconduttività, i cambiamenti di fase e il magnetismo, rendendo accessibili concetti che spesso sembrano risiedere solo nel regno della teoria astratta.
Ogni nuovo preprint pubblicato su arXiv nella categoria Cond-Mat — Stat-Mech viene analizzato dai nostri esperti per offrire due livelli di comprensione: una spiegazione in linguaggio semplice per chiunque e un riassunto tecnico dettagliato per i ricercatori. Questo approccio duplice garantisce che le scoperte più recenti siano comprensibili a un pubblico vasto senza sacrificare il rigore scientifico.
Di seguito trovate la selezione più recente di articoli pubblicati in questo campo, pronti per essere esplorati attraverso le nostre sintesi curate.
Il lavoro propone un framework statistico basato su un protocollo di decimazione Monte Carlo e l'analisi delle distribuzioni dei gap energetici per distinguere i sistemi quantistici integrabili da quelli non integrabili attraverso lo studio delle correlazioni spettrali.
Questo lavoro esplora l'applicazione dei metodi basati sulle reti tensoriali, ispirati alla meccanica quantistica, per ottimizzare la compressione delle immagini e la simulazione dell'ottica classica, offrendo algoritmi più efficienti per settori come l'astronomia e la microscopia.
Il lavoro dimostra che la robustezza dei sistemi auto-organizzati è limitata da vincoli informativi fondamentali, simili alle leggi di area della meccanica quantistica, e spiega come tali limiti possano essere superati attraverso correlazioni a lungo raggio o meccanismi di feedback globale.
Lo studio dimostra che la plasticità sinaptica a breve termine può recuperare memorie dimenticate agendo come un "trampolino" che modifica dinamicamente il paesaggio energetico della rete, intrappolando i transitori che altrimenti sfuggirebbero ai pattern memorizzati.
Questo studio analizza la formazione di pattern (anelli e spirali) in mappe di Chialvo accoppiate bidimensionali, utilizzando un analogo del discriminante del tensore del gradiente di velocità per quantificare la persistenza e la dinamica di tali strutture.
Lo studio analizza il modello Ising antiferromagnetico con interazioni ferromagnetiche a secondo vicino sul reticolo di kagome, identificando due transizioni di tipo Berezinskii-Kosterlitz-Thouless e confermando l'universalità del modello a orologio a sei stati attraverso metodi numerici e machine learning.
Il lavoro sviluppa un metodo variazionale per sistemi di superfici interagenti con simmetrie globali di ordine superiore, derivando un'equazione di Schrödinger funzionale analoga a quella di Gross-Pitaevskii e dimostrando come le fluttuazioni a bassa energia possano generare teorie di campo topologiche o campi di gauge gapless.
Lo studio analizza le densità stazionarie e le transizioni di fase in un modello TASEP con cinetica di Langmuir collegato a serbatoi alle estremità, rivelando diagrammi di fase significativamente diversi rispetto al modello standard e l'esistenza di nuove fasi possibili.
Questo studio presenta un framework di Reinforcement Learning per modellare il comportamento di "homing" (ritorno al punto di origine) in ambienti continui, dimostrando come l'apprendimento basato sul costo e l'interazione tra agenti ottimizzino la navigazione rispetto ai modelli biologici standard.
Il lavoro analizza il fenomeno del trasporto "uphill" (flusso contro gradiente) in modelli di diffusione-drift con esclusione di volume, dimostrando come tale regime emerga naturalmente nei limiti idrodinamici e collegando i modelli particellari discreti alle descrizioni continue utilizzate in ambito ingegneristico, come il modello Poisson-Nernst-Planck.