La gravità quantistica rappresenta una delle frontiere più affascinanti della fisica moderna, cercando di unificare le leggi del cosmo su larga scala con quelle del mondo subatomico. Questo campo esplora come lo spazio-tempo si comporta a livelli incredibilmente piccoli, sfidando la nostra comprensione tradizionale della realtà attraverso teorie complesse e visioni innovative.

Su Gist.Science, monitoriamo quotidianamente i nuovi preprint pubblicati su arXiv in questa categoria, elaborando ogni documento per renderlo accessibile a tutti. Per ogni ricerca, forniamo una spiegazione chiara in linguaggio semplice affiancata da un'analisi tecnica dettagliata, permettendo sia ai curiosi che agli esperti di cogliere l'essenza di queste scoperte rivoluzionarie senza barriere linguistiche.

Di seguito trovate le ultime pubblicazioni selezionate in questo settore, pronte per essere lette e comprese.

🔬 applied physics

High-Precision Ground Characterization of Test-Mass Magnetic Properties for the Taiji Gravitational Wave Mission via a Physics-Informed Neural Framework

Il lavoro propone un framework basato su intelligenza artificiale (AI-WLS) che combina reti neurali e modelli fisici differenziabili per caratterizzare con altissima precisione le proprietà magnetiche delle masse di prova della missione Taiji, superando i limiti del rumore di fondo nei test al pendolo di torsione.

Chang Liu, Qiong Deng, Huadong Li, Liwei Yang, Xiaodong Peng, Ziren Luo, Yuzhu Zhang, Chen Gao, Xiaotong Wei, Minghui Du (…)2026-04-28
⚛️ general relativity

Gravitational Collapse of an Inhomogeneous Fluid in Rastall Theory

Lo studio analizza il collasso gravitazionale di un fluido inelastico e anisotropo nella teoria di Rastall, dimostrando che, attraverso una specifica configurazione del parametro di Rastall, è possibile ottenere soluzioni non singolari caratterizzate da un "rimbalzo" (bounce) che evita la formazione di superfici intrappolate e singolarità spazio-temporali.

Akbar Jahan, Naser Sadeghnezhad, Amir Hadi Ziaie2026-04-28
⚛️ general relativity

Physics informed operator learning of parameter dependent spectra

Il paper presenta DeepOPiraKAN\texttt{DeepOPiraKAN}, un'architettura di rete neurale basata sull'apprendimento di operatori che permette di mappare direttamente la relazione tra parametri e spettri in sistemi fisici complessi, dimostrando un'elevata precisione nel calcolo dei modi quasi-normali dei buchi neri di Kerr.

Haohao Gu, Sensen He, Hanlin Song, Bo Liang, Zhenwei Lyu, Xiaoguang Hu, Minghui Du, Peng Xu, Bo-Qiang Ma2026-04-28
⚛️ general relativity

Stationary solutions in the small-cc expansion of GR

Il lavoro analizza l'espansione in piccoli valori di cc della relatività generale utilizzando le variabili ADM fino al secondo ordine (NNLO), dimostrando che tale formulazione facilita la costruzione di soluzioni stazionarie esatte sia nel regime di gravità forte che in quello debole, includendo metriche di tipo Kerr e deformazioni multipolari rilevanti per oggetti astrofisici compatti.

Enes Bal, Ertuğrul Ekiz, Emre Onur Kahya, Utku Zorba2026-04-28
⚛️ general relativity

From Big Bang Nucleosynthesis to Late-Time Acceleration in f(Q,Lm)f(Q,L_m) Gravity

Questo studio analizza l'evoluzione cosmica all'interno del modello di gravità f(Q,Lm)f(Q,L_m), dimostrando che la sua capacità di descrivere la transizione dall'espansione decelerata a quella accelerata è coerente con i dati osservativi e i vincoli della nucleosintesi primordiale, rendendolo una valida alternativa al modello Λ\LambdaCDM.

Rajdeep Mazumdar, Kalyan Malakar, Kalyan Bhuyan2026-04-28
⚛️ general relativity

Reconstructing the cosmic expansion with a generalized q(z) parameterization: A decelerating Universe from late-time constraints

Il lavoro propone una nuova parametrizzazione del parametro di decelerazione q(z)q(z) che, basandosi su dati osservativi di bassa e media redshift, suggerisce un'accelerazione cosmica meno intensa rispetto al modello Λ\LambdaCDM e un valore del parametro di Hubble leggermente più elevato.

Tomás Verdugo, Alberto Hernández-Almada, Miguel A. García-Aspeitia, Juan Magaña, Verónica Motta2026-04-28