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.
Questo lavoro propone un metodo di inizializzazione basato sull'apprendimento automatico per ottimizzare il fitting dei bagni nella teoria del campo medio dinamico (DMFT) basata sulla diagonalizzazione dell'hamiltoniana, riducendo significativamente i tempi di calcolo e migliorando la robustezza della convergenza attraverso un modello di regressione addestrato su dati fisici derivati da modelli di rutenati.
Questo lavoro introduce un metodo di simulazione stocastica discreta esatta che, disaccoppiando il campionamento categorico dalla retropropagazione del gradiente tramite un surrogato Gumbel-Softmax, abilita l'ottimizzazione differenziabile su larga scala per modelli di catene di Markov a tempo continuo, superando i limiti computazionali esistenti e permettendo inferenze ad alta dimensionalità in ambiti come la biologia dei sistemi e la cinetica chimica.
Lo studio dimostra che, utilizzando modelli a guscio come banco di prova, l'introduzione di una chiusura stocastica di tipo Langevin nei modelli di turbolenza a scala ridotta è essenziale per ripristinare la corretta crescita temporale e l'entità della varianza, colmando il divario tra le simulazioni deterministiche e la dinamica caotica reale.
Questo studio propone un approccio innovativo di integrazione termodinamica combinato con potenziali di apprendimento automatico per calcolare con precisione l'energia libera delle perovskiti alogenuro metallico, rivelando che la stabilità di fase è determinata principalmente dalle differenze di energia allo stato fondamentale piuttosto che da effetti termici specifici del materiale.
Utilizzando una nuova stima non distorta per simulazioni Monte Carlo quantistiche, lo studio rivela che il gap energetico nei vetri di spin bidimensionali scala in modo sfavorevole con una coda grassa, mentre nel modello Sherrington-Kirkpatrick a connettività totale il gap segue una legge di potenza più lenta, suggerendo un potenziale maggiore per l'efficienza degli annealer quantistici su problemi con connettività densa.
Questo articolo propone un metodo di stima bayesiana per ottimizzare la finestra di misura nella spettroscopia Mössbauer basata su radiazione di sincrotrone, migliorando la precisione degli spostamenti del centro di oltre tre volte rispetto alle tecniche di fitting convenzionali.
Questo lavoro introduce un approccio basato sul reinforcement learning per caratterizzare e emulare il rumore dei chip quantistici, offrendo una maggiore flessibilità rispetto alle tecniche convenzionali e validando il metodo sia in simulazione che su qubit superconduttori reali.
Il documento propone un metodo migliorato per stimare equazioni differenziali alle derivate parziali e con ritardo, basato sull'ottimizzazione bayesiana e sul criterio di informazione bayesiano per determinare automaticamente gli iperparametri, dimostrando una maggiore robustezza e capacità predittiva su vari modelli fisici sintetici.
Gli autori propongono un nuovo design di basi di funzioni even-tempered, adattato alla simmetria molecolare e basato su orbitali concentrici, che codifica in modo variazionale le informazioni dello stato fondamentale elettronico con costi di ottimizzazione ridotti e una precisione superiore rispetto alle basi standard di dimensioni comparabili.
Il documento presenta una tecnica innovativa per la stima ammortizzata di posteriori multi-modali utilizzando Flussi Normalizzanti addestrati con campionamento d'importanza ponderato per la verosimiglianza, dimostrando che l'inizializzazione con un modello a mistura di gaussiane, anziché distribuzioni unimodali, è cruciale per catturare correttamente la topologia e la connettività dei supporti nei problemi inversi ad alta dimensionalità.