🔬 Category
physics.comp-ph
1190 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.
AeTHERON: Autoregressive Topology-aware Heterogeneous Graph Operator Network for Fluid-Structure Interaction
Il paper presenta AeTHERON, un operatore di rete neurale su grafo eterogeneo ispirato al metodo dei confini immersi che, grazie a un induttivo bias fisico-informato, modella con alta fedeltà e in modo efficiente l'interazione fluido-struttura per flussi caotici, superando le limitazioni computazionali delle simulazioni DNS tradizionali.
Improved third-order scheme in pseudopotential lattice Boltzmann model for multiphase flows
Questo lavoro propone e valida un nuovo schema di terzo ordine migliorato per il modello di lattice Boltzmann con pseudopotenziale, che elimina le oscillazioni spurie di velocità all'interfaccia di fase senza aggiungere complessità computazionale, garantendo così risultati più affidabili per flussi multifase.
Coarse-Grained Model of the Sodium Dodecyl Sulfate Anionic Surfactant Based on the MDPD--Martini Force Field
Questo studio presenta un modello a grana grossa per il tensioattivo sodio dodecil solfato (SDS) basato sul campo di forze MDPD-Martini, che dimostra la sua trasferibilità e capacità di riprodurre accuratamente la tensione superficiale sperimentale, offrendo un'alternativa credibile alle simulazioni di dinamica molecolare per sistemi con cariche esplicite.
Enhancing Event Reconstruction in Hyper-Kamiokande with Machine Learning: A ResNet Implementation
Questo studio dimostra che l'implementazione di modelli ResNet nel framework WatChMaL per l'esperimento Hyper-Kamiokande consente di ricostruire eventi di particelle con una precisione paragonabile ai metodi tradizionali, offrendo al contempo un'accelerazione computazionale di oltre 30.000 volte rispetto alla ricostruzione basata sulla verosimiglianza.
Hierarchical Bayesian calibration of mesoscopic models for ultrasound contrast agents from force spectroscopy data
Questo studio presenta un flusso di lavoro di calibrazione bayesiana gerarchica accelerato da reti neurali profonde per sviluppare modelli DPD basati sui dati delle proprietà meccaniche di microbolle incapsulate (Definity e SonoVue), superando le sfide computazionali dell'inferenza diretta e consentendo la creazione di modelli su misura per una vasta gamma di agenti di contrasto ultrasonico.
Physics-Informed Neural Networks for Solving Derivative-Constrained PDEs
Questo articolo presenta i DC-PINNs, un quadro generale che risolve le equazioni differenziali a derivate parziali vincolate integrando vincoli non lineari su stati e derivate direttamente nella funzione obiettivo di ottimizzazione, garantendo così soluzioni fisicamente ammissibili e stabili senza dipendere da iperparametri manuali.
Beads, springs and fields: particle-based vs continuum models in cell biophysics
Questa recensione confronta i modelli basati su particelle e quelli continui nella biofisica cellulare, analizzandone punti di forza e limiti applicativi su cinque sistemi fondamentali (citoscheletro, membrane, cromatina, condensati biomolecolari e tessuti) per fornire un quadro di riferimento alla scelta della strategia di modellazione più adatta.
NEPMaker: Active learning of neuroevolution machine learning potential for large cells
Il paper presenta NEPMaker, un framework di apprendimento attivo basato sull'ottimalità D che integra il potenziale neuroevolutivo (NEP) in GPUMD per generare potenziali di machine learning affidabili e scalabili per sistemi materiali complessi, riducendo gli errori di estrapolazione nelle simulazioni su larga scala attraverso l'identificazione e l'ottimizzazione on-the-fly degli ambienti atomici.
MolCryst-MLIPs: A Machine-Learned Interatomic Potentials Database for Molecular Crystals
Il paper presenta MolCryst-MLIPs, un database aperto di potenziali interatomici appresi tramite machine learning per nove sistemi di cristalli molecolari, sviluppato attraverso una pipeline automatizzata e validato per simulazioni di dinamica molecolare produttive.