1259 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.
Questa rassegna presenta il primo quadro concettuale unificato per l'apprendimento automatico scientifico in idrologia, integrando le diverse famiglie metodologiche emerse per superare la frammentazione attuale e guidare la ricerca futura verso un progresso cumulativo.
Gli autori sviluppano un kernel esatto per l'autogravità in dischi protoplanetari sottili, basato su funzioni di Bessel modificate, che supera le limitazioni dell'approssimazione della lunghezza di smoothing e della potenziale di Plummer offrendo una descrizione fisicamente coerente e computazionalmente efficiente della gravità newtoniana.
Questo studio applica un modello di campo di fase multi-fase basato sul potenziale termodinamico per simulare in tre dimensioni il distacco allo stato solido di film sottili policristallini, fornendo nuovi criteri analitici per l'inizio del processo e approfondendo il ruolo cruciale delle giunzioni triple e delle energie interfacciali.
Questo lavoro presenta un quadro teorico bottom-up gerarchico che costruisce modelli di campo per liquidi molecolari direttamente da interazioni atomistiche, generalizzando la teoria dei modi per superare le limitazioni dei kernel definiti positivi e abilitare simulazioni di campo scalabili.
Questo studio dimostra che le simulazioni a due fluidi con chiusure di Landau, opportunamente calibrate, riescono a riprodurre fedelmente gli spettri energetici delle simulazioni cinetiche complete, offrendo così un'alternativa computazionalmente efficiente per lo studio della turbolenza del plasma su larga scala anche in condizioni lontane dall'equilibrio termodinamico locale.
Questo lavoro introduce un algoritmo ibrido di tracciamento delta che utilizza un stimatore di lunghezza di traccia per calcolare i flussi su mesh strutturate, dimostrando miglioramenti significativi nell'efficienza computazionale rispetto ai metodi standard in problemi con regioni vuote e in benchmark di reattori nucleari sia su CPU che su GPU.
Il paper propone un nuovo insieme di equazioni dinamiche Landau-Lifshitz-Bloch-Slonczewski che, trattando l'intensità della magnetizzazione come una variabile dinamica accoppiata a un bagno termico, permette di modellare con precisione la demagnetizzazione indotta dal riscaldamento in dispositivi spintronici ad alta corrente, fornendo previsioni accelerate e accurate delle correnti critiche e dei tempi di commutazione.
Il documento introduce la contrazione stocastica dei tensori come un metodo innovativo per ridurre drasticamente il costo computazionale della teoria del cluster accoppiato in chimica quantistica, raggiungendo una precisione superiore alla chimica accurata con una scalabilità paragonabile a quella della teoria del campo medio.
Questo lavoro presenta un metodo basato su Reti Neurali Informate dalla Fisica (PINN) che, attraverso un addestramento sequenziale degli strati di un MOSFET, risolve efficacemente il problema inverso di stimare la velocità del refrigerante necessaria per un raffreddamento ottimale, ottenendo risultati in accordo con i dati sperimentali.
Il documento presenta trainsum, un pacchetto Python versatile che, sfruttando lo standard Array API e opt_einsum, consente l'approssimazione e l'elaborazione efficiente di tensori multidimensionali tramite treni tensoriali quantici per applicazioni in simulazione, compressione dati, machine learning e analisi.