physics.comp-ph 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.

Fast and Accurate Prediction of Lattice Thermal Conductivity via Machine Learning Surrogates

Questo lavoro valuta 15 modelli surrogati di apprendimento automatico su un ampio database Phonix per prevedere la conduttività termica reticolare, rivelando che, sebbene i modelli integrati con MLIP eccellino nell'interpolazione, le reti neurali profonde come ALiEGNN offrono una robustezza superiore per l'estrapolazione fuori distribuzione, consentendo così un setaccio ad alto rendimento efficiente di materiali termoelettrici a una frazione del costo computazionale delle simulazioni dai primi principi.

Zeyu Wang, Shuya Yamazaki, Martin Hoffmann Petersen, Masato Ohnishi, Tomiya Yamamoto, Wei Nong, Jianghai Wang, Ruiming Zhu, Masatoshi Hanai, Michimasa Morita, Toyotaro Suzumura, Zekun Ren, Junichiro S (…)2026-05-13🔬 cond-mat.mtrl-sci

Identifying the relevant parameters in design strategies for stable glasses

Questo studio mette in discussione l'assunto che l'ottimizzazione di proprietà fisiche specifiche come l'iperuniformità o l'ordinamento locale causi una maggiore stabilità del vetro, dimostrando invece che il processo dinamico di variazione dei diametri delle particelle è il vero fattore causale alla base della formazione di vetri ultrastabili.

Leonardo Galliano, Ludovic Berthier2026-05-13🔬 cond-mat

Machine Learning for neutron source distributions

Questo articolo propone e valuta un approccio innovativo che utilizza modelli generativi probabilistici per stimare le distribuzioni di sorgenti neutroniche a partire da elenchi di particelle Monte Carlo, consentendo un campionamento efficiente e indipendente dalla memoria una volta addestrati i modelli.

Jose Ignacio Robledo, Norberto Schmidt, Klaus Lieutenant, Jingjing Li, Stefan Kesselheim, Paul Zakalek2026-05-13🔬 physics

Designing Coulombic Contact Interactions between Polarizable Particles through Asymmetry

Questo articolo dimostra che, sintonizzando congiuntamente le dimensioni, la carica e le asimmetrie dielettriche di particelle polarizzabili, le complesse interazioni elettrostatiche di contatto possono essere progettate per ridursi a un comportamento coulombiano semplice, consentendo così la progettazione di materiali autoassemblanti con strutture prevedibili.

Yanyu Duan, Zecheng Gan2026-05-13🔬 cond-mat

Bayesian Reasoning for Physics Informed Neural Networks

Questo articolo presenta una formulazione bayesiana basata su evidenze delle reti neurali informate dalla fisica che utilizza un'approssimazione di Laplace per calcolare analiticamente l'evidenza del modello, consentendo un'ottimizzazione automatica efficiente e priva di campionamento dei pesi della perdita e una quantificazione dell'incertezza su varie equazioni differenziali alle derivate parziali.

Krzysztof M. Graczyk, Kornel Witkowski2026-05-12🔬 physics

Acoustics-based Active Control of Unsteady Flow Dynamics using Reinforcement Learning Driven Synthetic Jets

Questo lavoro presenta un framework di apprendimento per rinforzo profondo che utilizza misurazioni acustiche in campo lontano come segnale di feedback primario per guidare l'attuazione di getti sintetici, sopprimendo con successo le dinamiche di scia non stazionarie dietro un cilindro circolare e ottenendo riduzioni significative del rumore irradiato e della resistenza aerodinamica senza fare affidamento su sensori tradizionali di velocità o pressione.

Siddharth Rout, Khai Phan, Chao-An Lin2026-05-12🔬 physics.app-ph

Diagnosing phase transitions through time-scale entanglement

Questo lavoro introduce l'intreccio temporale-scalare, una nuova forma di intreccio tra scale temporali immaginarie accessibili tramite diagnosi a traino di tensori quantici (QTTD), come indicatore universale e non distorto che viene genericamente potenziato vicino alle transizioni di fase e diventa invariante di scala nei punti critici quantistici.

Stefan Rohshap, Hirone Ishida, Frederic Bippus, Leonard M. Verhoff, Anna Kauch, Karsten Held, Hiroshi Shinaoka, Markus Wallerberger2026-05-12🔬 cond-mat

A Quantum Linear Systems Pathway for Solving Differential Equations

Questo articolo presenta un percorso quantistico sistematico per risolvere equazioni differenziali combinando la codifica a blocchi con la Trasformazione dei Valori Singolari Quantistica (QSVT), dimostrandone l'applicazione alle equazioni del calore e di Burgers e fornendo stime critiche delle risorse hardware e analisi di scalabilità che evidenziano le attuali limitazioni e le direzioni future per raggiungere il vantaggio quantistico.

Abhishek Setty2026-05-12⚛️ quant-ph

Consistent Projection of Langevin Dynamics: Preserving Thermodynamics and Kinetics in Coarse-Grained Models

Questo articolo presenta un formalismo di coarsening basato sulla proiezione per la dinamica di Langevin sottosmorzata che integra la decomposizione modale dinamica estesa del generatore (gEDMD) e l'interpolazione termodinamica per preservare accuratamente sia le proprietà termodinamiche che quelle cinetiche di sistemi complessi multi-scala attraverso diversi stati termodinamici.

Vahid Nateghi, Lara Neureither, Selma Moqvist, Carsten Hartmann, Simon Olsson, Feliks Nüske2026-05-12🔬 physics

Crystal Fractional Graph Neural Network for Energy Prediction of High-Entropy Alloys

Questo lavoro propone una Rete Neurale Grafica Frazionaria Cristallina che combina l'analisi dell'ambiente atomico locale tramite meccanismi di attenzione grafica con dati composizionali globali per prevedere con precisione l'energia delle leghe ad alta entropia, raggiungendo una precisione a livello di principi primi su un dataset di oltre 1.000 strutture, pur riconoscendo le attuali limitazioni relative alle celle cristalline di grandi dimensioni.

Takanori Kotama, Yang Huang2026-05-12🔬 physics

← Precedente Successivo →