1258 articoli
La fisica computazionale unisce la potenza dei calcoli moderni alla teoria fisica per esplorare fenomeni complessi che i laboratori tradizionali faticano a replicare. In questa sezione, scoprirete come i ricercatori utilizzano simulazioni avanzate per modellare tutto, dalle stelle morenti ai materiali quantistici, trasformando equazioni astratte in scenari visibili e comprensibili.
Su Gist.Science, selezioniamo e analizziamo sistematicamente ogni nuovo preprint in questa categoria proveniente da arXiv. Il nostro obiettivo è rendere queste ricerche accessibili a tutti: offriamo sia un riassunto in linguaggio semplice per i curiosi, sia una versione tecnica dettagliata per gli esperti, garantendo che la conoscenza scientifica viaggia velocemente e chiaramente.
Di seguito trovate le ultime pubblicazioni in fisica computazionale, aggiornate regolarmente con le nostre sintesi esclusive.
Gli autori propongono un algoritmo Path Integral Monte Carlo migliorato, chiamato H-PIMC e la sua generalizzazione M-PIMC, che combinano il campionamento armonico con l'algoritmo del verme per aumentare significativamente l'efficienza e il rapporto di accettazione nello studio di fasi condensate quantistiche solide e liquidi confinati densi.
Questo lavoro dimostra che l'uso di reti neurali artificiali come modelli surrogati accelera di oltre 1000 volte il processo di ottimizzazione dei parametri del codice nucleare TALYS-2.0, consentendo una previsione rapida e accurata delle sezioni d'urto senza compromettere la fedeltà dei risultati rispetto ai dati sperimentali.
Questo lavoro presenta un metodo Lattice Boltzmann regolarizzato da Onsager che introduce correzioni locali per eliminare gli errori di modellazione delle equazioni di Navier-Stokes sui reticoli standard, ottenendo modelli termoidrodinamici esatti e più stabili rispetto alle tecniche tradizionali.
Questo lavoro presenta un quadro unificato di operatori neurali vincolati dalla fisica che accelera il metodo DSMC sostituendo il modello VHS con un kernel neurale stocastico per la conservazione degli invarianti fisici e sviluppando un operatore dedicato per la previsione degli angoli di scattering \emph{ab initio}, garantendo così una simulazione ad alta fedeltà con una riduzione dei costi computazionali.
Lo studio dimostra che le statistiche dei livelli energetici di molecole complesse, calcolate con metodi *ab initio*, seguono l'universalità della teoria delle matrici casuali (specificamente l'insieme ortogonale di Gaussiane), confermando che tale quadro teorico è applicabile agli stati fisici reali e prevedendo una transizione verso l'insieme unitario di Gaussiane solo in presenza di campi magnetici estremamente intensi.
Questo lavoro presenta un metodo efficiente e accurato che accelera l'esplorazione dello spazio di progettazione degli RFIC separando algebricamente le componenti variabili dallo sfondo invariante e fondendo i modelli dei componenti, consentendo così di simulare solo le parti variabili e riutilizzare i risultati dello sfondo per molteplici configurazioni.
Questo lavoro presenta il primo algoritmo completo che fornisce un vero vantaggio asintotico nel calcolo dei prodotti tensoriali di Clebsch-Gordan per le reti neurali equivarianti , riducendo la complessità da a generalizzando la formula di Gaunt per armoniche sferiche vettoriali.
Questo studio stabilisce una relazione quantitativa tra adsorbato e cinetica per le transizioni collettive da sdraiato a in piedi nei monolayer molecolari, dimostrando attraverso simulazioni Monte Carlo e un modello analitico che la geometria molecolare e la diffusione sono parametri intrinseci che controllano i tempi di transizione tramite meccanismi emergenti non prevedibili dai singoli passi elementari.
Questo articolo esamina la turbolenza attiva nei fluidi densi, integrando una revisione dei modelli idrodinamici con uno studio teorico che dimostra come considerare l'attività come un campo dinamico advettato dal flusso modifichi radicalmente la dinamica, generando fronti netti e rendendo l'universalità del fenomeno intrinsecamente locale e dipendente dal tempo.
Il lavoro presenta MBD-ML, una rete neurale preaddestrata che predice direttamente le proprietà atomiche necessarie per calcolare le interazioni di dispersione many-body (MBD) in molecole e materiali, permettendo un'integrazione immediata e priva di calcoli elettronici intermedi in qualsiasi codice di struttura elettronica o campo di forza.