1170 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 estende l'eigensolver ChASE, originariamente progettato per matrici hermitiane dense, per calcolare efficientemente migliaia di autovalori positivi di Hamiltoniane pseudo-hermitiane, introducendo una variante obliqua della proiezione di Rayleigh-Ritz e un'implementazione parallela ottimizzata per i sistemi exascale.
Questo studio valuta le capacità dei grandi modelli linguistici nel ragionamento tacito della teoria quantistica dei campi e della teoria delle stringhe, rivelando che, sebbene eccellano nelle derivazioni esplicite, falliscono sistematicamente nel ricostruire passaggi logici omessi e nel gestire vincoli di coerenza globale a causa di un'instabilità nella selezione del quadro concettuale.
SWEEP è una piattaforma unificata ed estensibile per la risoluzione delle equazioni d'onda sismica che, grazie al supporto per la differenziazione automatica e un'architettura modulare, facilita l'implementazione di metodi di inversione avanzati come l'inversione del campo d'onda completo (FWI) e la migrazione temporale inversa ai minimi quadrati (LSRTM).
Il paper introduce un framework LSTM-PINN che risolve le sfide numeriche dei sistemi elettrotermici stazionari a forte accoppiamento preservando la consistenza multi-campo e superando le prestazioni degli stati dell'arte nel modellare flussi complessi e strati limite.
Questo lavoro propone un approccio basato sull'apprendimento automatico che utilizza reti neurali convoluzionali per classificare la propagazione della luce strutturata in atmosfera turbolenta, integrando un modello generativo basato sulla diffusione per ampliare il dataset di addestramento e ottimizzare la generazione di modi ad alta frequenza tramite minimizzazione della distanza di Bregman.
Questo studio propone una regolarizzazione ibrida per le PINN che combina residui basati su differenziazione automatica con un termine ausiliario a differenze finite per penalizzare i gradienti del campo residuo, migliorando significativamente l'accuratezza dei flussi e delle condizioni al contorno in problemi termici tridimensionali senza sostituire il residuo PDE principale.
Lo studio dimostra che un agente di apprendimento per rinforzo può navigare con successo attraverso flussi convettivi turbolenti a numeri di Rayleigh moderati e alti, sfruttando la riorganizzazione della struttura del flusso per identificare percorsi energetici efficienti e distillare strategie di navigazione basate sulla fisica.
Questo articolo presenta un framework parametrico di reti neurali informate dalla fisica (PINN) che consente una generalizzazione zero-shot per la modellazione termica nella manifattura additiva metallica su materiali arbitrari senza dati etichettati o riaddestramento, ottenendo una maggiore precisione ed efficienza rispetto alle metodologie tradizionali.
Il paper presenta "El Agente Forjador", un framework multi-agente che utilizza modelli linguistici per generare autonomamente, validare e riutilizzare strumenti computazionali, migliorando significativamente l'accuratezza e riducendo i costi nella risoluzione di compiti complessi di simulazione quantistica rispetto ai metodi tradizionali.
Questo studio utilizza calcoli di teoria del funzionale densità per dimostrare che lo stato fondamentale magnetico del RuO₂ rutile è sensibile alla correlazione elettronica e alla deformazione meccanica, spiegando così le apparenti contraddizioni tra risultati sperimentali non magnetici e altermagnetici e aprendo nuove prospettive per applicazioni spintroniche.