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 introduce un framework di apprendimento automatico per la dinamica molecolare a grana grossa che potenzia l'adattamento tradizionale delle forze con l'adattamento stocastico del prodotto vettore- Hessiano per incorporare informazioni di curvatura del secondo ordine, migliorando significativamente l'accuratezza e la trasferibilità dei potenziali a grana grossa per le simulazioni biomolecolari.
Questo articolo esamina come la scelta dell'integratore temporale, l'aggiunta di dissipazione numerica e la rappresentazione del problema influenzino l'efficienza e la stabilità dei calcoli con tensor train quantizzati (QTT) per problemi dominati dall'avvezione, con l'obiettivo di mitigare l'accumulo di errori e la crescita del rango nelle simulazioni a lungo termine.
Questo articolo dimostra che la sostituzione delle approssimazioni alle differenze finite con la differenziazione automatica in modalità forward per i prodotti Jacobiano-vettore nei solutori Jacobian-Free Newton-Krylov migliora significativamente sia le prestazioni computazionali (di 2–3 ordini di grandezza) sia la robustezza globale (aumentando i tassi di completamento dal 42% al 95%) su una vasta gamma di problemi non lineari e architetture hardware.
Questo studio utilizza simulazioni agli elementi finiti per dimostrare che, nei fluidi non newtoniani a legge di potenza, il comportamento di assottigliamento al taglio migliora il trasferimento di calore, mentre le condizioni al contorno termiche uniformi promuovono una convezione più intensa e una generazione di entropia maggiore rispetto al riscaldamento non uniforme, offrendo informazioni chiave per l'ottimizzazione della progettazione dei sistemi termici.
Questo articolo propone una strategia di accoppiamento macroscopico-mesoscopico, deterministico-stocastico, che integra relazioni costitutive di ordine superiore e termini sorgente di reazione chimica campionati da DSMC in un'equazione sintetica macroscopica per accelerare le simulazioni, ridurre il rumore e superare i colli di bottiglia computazionali nei flussi di reazione chimica vicino al continuum.
Il documento presenta Elastica++, un framework open-source ad alte prestazioni che utilizza il modello di asta di Cosserat e il parallelismo a memoria condivisa per abilitare simulazioni multiphysics su larga scala di strutture snelle interagenti in applicazioni diversificate che spaziano dalla robotica soffice alla materia attiva.
Questo articolo presenta un metodo ibrido quantistico-classico per risolvere l'equazione di advezione-diffusione che scala efficientemente con la dimensione del sistema e dimostra risultati affidabili sull'attuale hardware quantistico rumoroso IBM, offrendo una potenziale via per superare le limitazioni computazionali e di potenza nella previsione numerica del tempo.
Questo studio sfrutta l'apprendimento automatico e la dinamica molecolare per identificare potenziali inibitori che prendono di mira i meccanismi di resistenza batterica ai Gram-negativi, in particolare le pompe di efflusso RND e le esterasi dell'eritromicina, con l'obiettivo di superare i limiti degli attuali farmaci antibatterici approvati dalla FDA.
Questo articolo introduce APRIL, un framework che arricchisce la funzione di perdita supervisionata con termini fisicamente ridondanti ausiliari per migliorare la convergenza e l'accuratezza nella stima dei parametri per grandi dataset multi-sistema, dimostrando un miglioramento delle prestazioni fino a un ordine di grandezza nella stima dei parametri delle onde gravitazionali rispetto agli approcci standard.
Questo articolo introduce un protocollo di compressione a rango basso che preserva la struttura per le matrici di densità ridotte a due elettroni, riducendo la scalabilità della memoria da quartica a quadratica mantenendo al contempo l'accuratezza chimica, consentendo così l'applicazione efficiente dei flussi di lavoro di continuazione degli autovettori a simulazioni di dinamica molecolare non adiabatica su larga scala.