🔬 Category

physics.comp-ph

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.

When Attention Beats Fourier: Multi-Scale Transformers for PDE Solving on Irregular Domains

Questo articolo introduce il Multi-Scale Attention Transformer (MSAT), dimostrando attraverso un'analisi empirica e teorica esaustiva che le architetture basate sull'attenzione superano gli operatori nel dominio di Fourier nella risoluzione di equazioni differenziali alle derivate parziali su domini irregolari, stabilendo al contempo un compromesso critico in cui la regolarizzazione informata dalla fisica migliora i problemi dominati dalla diffusione ma degrada le prestazioni nei regimi caotici.

Brandon Yee, Pairie Koh, Jack Rodriguez, Mihir Tekal2026-05-12🤖 cs.LG

A meshfree exterior calculus for generalizable and data-efficient learning of physics from point clouds

Questo articolo introduce MEEC-Net, una rete neurale senza mesh ed efficiente dal punto di vista dei dati che sfrutta un nuovo quadro di calcolo esterno per apprendere fisica che preserva la struttura su nuvole di punti, ottenendo una generalizzazione superiore rispetto alla distribuzione di addestramento attraverso geometrie e parametri rispetto alle basi esistenti di operatori neurali.

Benjamin D. Shaffer, Brooks Kinch, M. Ani Hsieh, Nathaniel Trask2026-05-12🔬 physics

CrystalREPA: Transferring Physical Priors from Universal MLIPs to Crystal Generative Models

CrystalREPA è un framework plug-and-play che migliora la stabilità, la validità e la fedeltà dei cristalli generati allineando le rappresentazioni del modello generativo con potenziali interatomici universali di apprendimento automatico (MLIP) congelati mediante un obiettivo contrastivo, rivelando che l'efficacia di un MLIP per il trasferimento dipende più dalla sua distinguibilità delle rappresentazioni che dai suoi benchmark standard di accuratezza.

Chengqian Zhang, Yucheng Jin, Duo Zhang, Tiejun Li, Han Wang2026-05-12🔬 cond-mat.mtrl-sci

Nonlinear GENERIC Informed Neural Networks (N-GINNs): learning GENERIC dynamics with non-quadratic dissipation potentials

Questo articolo introduce le Reti Neurali Informate GENERIC Non Lineari (N-GINNs), un framework di deep learning che garantisce la coerenza termodinamica attraverso potenziali di dissipazione convessi per scoprire con precisione le equazioni di evoluzione per sistemi che presentano sia dinamiche conservative che dissipazione non quadratica.

Vojtěch Votruba, Zequn He, Weilun Qiu, Celia Reina, Michal Pavelka2026-05-12🔬 physics

Semi-Supervised Neural Super-Resolution for Mesh-Based Simulations

Il documento introduce SuperMeshNet, un framework neurale semi-supervisionato che sfrutta l'apprendimento complementare e i bias induttivi per ricostruire in modo efficiente soluzioni di simulazione basate su mesh ad alta fedeltà a partire da dati a bassa risoluzione, richiedendo al contempo il 90% in meno di dati ad alta risoluzione per l'addestramento rispetto ai benchmark completamente supervisionati.

Jiyeon Kim, Youngjoon Hong, Won-Yong Shin2026-05-12🔬 physics.app-ph

Constitutive Priors for Inverse Design

Questo lavoro presenta un framework end-to-end per la progettazione inversa di reti elastiche che ottimizza le proprietà materiali variabili nello spazio dei comportamenti costitutivi sfruttando un prior latente termodinamicamente coerente, una continuazione basata sull'omotopia e vincoli di regolarità delle reti neurali per risolvere in modo robusto problemi di ottimizzazione vincolati da PDE senza richiedere la corrispondenza tra le mesh.

Jinkyo Han, Bahador Bahmani2026-05-12🔬 physics

Classification of Chimera States via Fourier Analysis and Unsupervised Learning

Questo articolo propone un metodo innovativo che combina l'analisi di Fourier e il clustering non supervisionato delle variazioni totali normalizzate per rilevare e classificare con precisione diversi tipi di stati chimera in reti di oscillatori di Rayleigh accoppiati, superando i limiti delle tecniche di rilevamento esistenti.

Rommel Tchinda Djeudjo, Riccardo Muolo, Thierry Njougouo, Timoteo Carletti2026-05-12🌀 nlin

Accuracy assessment of scalar wave propagation methods for diffractive optics design: from thin elements to thick binary grating

Questo lavoro valuta sistematicamente l'accuratezza delle approssimazioni degli elementi sottili, della propagazione del fascio e dei metodi di propagazione dell'onda confrontandoli con un riferimento rigoroso per reticoli diffrattivi binari, generando mappe di accuratezza per guidare la selezione di modelli diretti appropriati nelle pipeline di progettazione inversa in base alla frequenza spaziale e allo spessore del reticolo.

Nicolas Barré2026-05-12🔬 physics.optics

Fast Evaluation of the Azimuthal Fourier Modes of the 3D Helmholtz Green's Function and Their Derivatives

Questo lavoro presenta un algoritmo O(M)O(M) che valuta in modo efficiente e accurato le modalità di Fourier azimutali della funzione di Green di Helmholtz tridimensionale e le loro derivate per qualsiasi numero d'onda reale, combinando la deformazione del contorno con relazioni di ricorrenza stabili, consentendo così simulazioni di scattering acustico assialsimmetrico ad alte prestazioni.

Hanwen Zhang2026-05-12🔬 physics