903 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 articolo indaga un approccio alternativo alla ricerca di percorsi che utilizza l'algoritmo A* per calcolare il parametro di centrosimmetria a peso minimo, offrendo una potenziale soluzione alle carenze identificate nei metodi esistenti di analisi della dinamica molecolare.
Questo articolo presenta un metodo unificato gas-cinetico onda-particella (UGKWP) per la simulazione di miscele gassose bifasiche multiscala che cattura accuratamente le differenze di velocità e temperatura specifiche per specie attraverso i regimi da continuo a rarefatto, integrando un modello di equilibrio corretto, una correzione del numero di Prandtl basata su Shakhov e meccanismi di trasporto delle particelle migliorati, dimostrando al contempo un forte accordo con i risultati DSMC per flussi ipersonici.
Questo studio combina calcoli DFT dai primi principi con esperimenti di ricottura ad altissima pressione per dimostrare che la diffusione del silicio nel nitruro di gallio è estremamente limitata a causa di barriere di attivazione proibitivamente elevate, confermando così la stabilità del materiale per il drogaggio preciso nelle applicazioni elettroniche avanzate.
Questo studio dimostra che i campi di forza appresi tramite macchina, addestrati su dati di tipo coupled-cluster e potenziati da approcci di delta-learning e consapevoli della carica per affrontare gli effetti a lungo raggio e le limitazioni dei dati, raggiungono una precisione superiore nella previsione delle dispersioni fononiche e delle proprietà vibrazionali anarmoniche per il diamante e l'idruro di litio rispetto alla tradizionale teoria del funzionale densità.
I ricercatori hanno simulato con successo per la prima volta un computer quantistico universale da 50 qubit sul supercomputer esascale JUPITER d'Europa, sfruttando la sua architettura eterogenea GH200 attraverso tre innovazioni chiave: un utilizzo esteso della memoria tramite interconnessioni CPU-GPU, una codifica adattiva dei dati e un ottimizzatore del traffico di rete in tempo reale, ottenendo un aumento di velocità di 16,6 volte rispetto ai precedenti record.
Questo articolo dimostra che l'integrazione della proiezione delle etichette e di una rete di embedding innovativa nelle reti generative avversarie condizionali migliora significativamente l'efficienza e l'accuratezza della progettazione inversa di nanostrutture plasmoniche a partire dagli spettri di sezione d'urto di estinzione, ottenendo una riduzione dell'errore di un ordine di grandezza e una convergenza più rapida attraverso diverse architetture.
Questo articolo presenta un framework di rete neurale convoluzionale informata dalla fisica che prevede accuratamente i campi di velocità a scala dei pori in mezzi porosi complessi integrando vincoli fisici nel processo di addestramento, consentendo così un'accelerazione significativa delle simulazioni Lattice-Boltzmann attraverso condizioni iniziali migliorate.
Questo articolo dimostra che i modelli linguistici multimodali di grandi dimensioni possono utilizzare efficacemente gli indici di Miller come variabili latenti strutturate per ragionare sulla geometria delle fratture, inferendo in modo affidabile ipotesi di piani in contesti idealizzati e rifiutando correttamente tali rappresentazioni quando la fisica sottostante non le supporta, attraverso diverse classi di materiali.
Questo articolo presenta Lumina, un framework modulare basato su Python che unifica dati frammentati sui materiali multiscala per regimi aero-chimico-termo-meccanici estremi in un ecosistema centralizzato potenziato dall'intelligenza artificiale per razionalizzare la progettazione sperimentale, validare i comportamenti chimici e migliorare la modellazione predittiva per applicazioni avanzate nel settore della difesa e dell'aerospaziale.
Questo articolo introduce un framework di apprendimento per rinforzo relativo al vento per la navigazione olfattiva in ambienti turbolenti, dimostrando che un agente che utilizza solo il tempo trascorso dall'ultima rilevazione dell'odore e una direzione del vento stimata localmente può superare le strategie tradizionali e adattare il proprio comportamento in base alla qualità della stima del vento sia in condizioni di vento medio che in turbolenza isotropa.