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 studio utilizza simulazioni atomistiche e il machine learning per analizzare le resistenze locali allo scorrimento delle dislocazioni in 12 leghe ad alta entropia refrattarie, sviluppando un modello predittivo dello sforzo di snervamento basato su proprietà elastiche e distorsione reticolare per guidare la progettazione di nuovi materiali.
Il paper presenta DISCOVER, un nuovo framework open-source di regressione simbolica accelerato tramite GPU e progettato per la fisica e la scienza dei materiali, che permette di scoprire relazioni matematiche interpretabili e fisicamente coerenti integrando la conoscenza del dominio e ottimizzando l'efficienza computazionale.
Questo studio presenta una nuova rete neurale informata dalla fisica (LBC-PINN) progettata per simulare e invertire il consolidamento del suolo insaturo in uno scenario monodimensionale, superando le sfide delle diverse scale temporali attraverso la segmentazione logaritmica e l'apprendimento per trasferimento.
Il paper propone HEDMoL, un metodo per apprendere rappresentazioni molecolari che integrano informazioni elettroniche trasferendole da piccole molecole a molecole più grandi, migliorando l'accuratezza nella previsione delle proprietà fisiche senza costi computazionali aggiuntivi.
Questo studio presenta una valutazione sistematica delle Deep Material Networks (DMNs), analizzando come le scelte di addestramento e le diverse formulazioni architettoniche influenzino l'accuratezza, l'efficienza e la capacità di generalizzazione di questi modelli meccanicistici nel modellamento multiscala dei materiali.
Questo commento analizza il lavoro pionieristico di Bernard, Krauth e Wilson sull'algoritmo Event-Chain Monte Carlo, spiegando come il passaggio dal principio di bilancio dettagliato a quello di bilancio globale abbia trasformato un metodo specifico per sfere rigide in un potente framework generale per il campionamento di sistemi complessi.
Questo studio dimostra che la Teoria del Funzionale della Densità d'Insieme (EDFT) è promettente per il calcolo dei band gap nei sistemi periodici, utilizzando modelli unidimensionali di Kronig-Penney per estrapolare i risultati verso il limite termodinamico.
Questo studio confronta il modello di Borgnakke-Larsen con il modello di Pullin all'interno del metodo DSMC per simulare lo scambio di energia tra traslazione e rotazione nei gas biatomici, dimostrando che il modello di Pullin offre una base teorica più rigorosa e accurata pur mantenendo prestazioni paragonabili in regimi di flusso altamente rarefatti.
Questo studio dimostra che l'impiego del *compressed sensing* tramite celle sovrapposte permette di ridurre drasticamente l'uso della memoria nelle simulazioni Monte Carlo neutroniche, ottenendo ricostruzioni 2D e 3D ad alta fedeltà con una drastica diminuzione dei campioni necessari.
Il lavoro propone un nuovo operatore di raffinamento adattivo (AMR) su mesh ottree massivamente parallele che garantisce la conservazione globale delle quantità fisiche durante la fase di coalescenza (coarsening) attraverso una proiezione , superando i limiti di deriva sistematica dei metodi di iniezione standard in modelli di fase come Cahn-Hilliard.