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 Neural-ISAM, un metodo ibrido di machine learning in-situ che sostituisce dinamicamente le regioni potate dei database di tabulazione adattiva con reti neurali addestrate per ridurre significativamente i requisiti di memoria mantenendo al contempo l'accuratezza nelle simulazioni di grandi vortici di fiamme turbolente complesse.
jNO è una libreria unificata e nativa di JAX che semplifica l'addestramento di operatori neurali e modelli fondazionali integrando approcci basati sui dati e informati dalla fisica in un unico sistema di tracciamento simbolico, consentendo transizioni fluide tra regressione degli operatori, valutazione dei residui consapevole della mesh e ottimizzazione vincolata da equazioni differenziali alle derivate parziali senza ristrutturazione del codice.
Questo lavoro introduce la contrazione stocastica dei tensori come primitiva computazionale altamente efficiente che riduce il costo delle operazioni su tensori di ordine elevato nella chimica quantistica ab initio, consentendo in particolare alla teoria del cluster accoppiato di raggiungere l'accuratezza chimica con scalatura di campo medio e di superare significativamente le approssimazioni di correlazione locale esistenti sia in termini di velocità che di errore.
Questo articolo introduce CarCrashNet, un benchmark open-source su larga scala composto da oltre 14.000 simulazioni di impatto a livello di componente e 825 simulazioni di impatto su veicoli completi, insieme a CrashSolver, un solver neurale gerarchico progettato per abilitare la previsione strutturale degli impatti basata sui dati e guidata dall'intelligenza artificiale e la ricerca riproducibile nella sicurezza veicolare.
Questo articolo presenta un quadro unificato per risolvere diversi problemi di ottimizzazione combinatoria NP-difficili su un annealer quantistico a Rydberg mappandoli in un formalismo QUBO tramite codifica mediante spostamenti di luce locali e un protocollo di annealing quantistico ottimizzato, introducendo al contempo un parametro di difficoltà generalizzato per quantificare la complessità del problema.
Questo studio introduce un quadro di distribuzione dell'energia di adsorbimento risolto per facce, che utilizza campi di forza appresi tramite machine learning per analizzare 1,4 milioni di siti di adsorbimento su diverse superfici di leghe, identificando così composizioni e orientamenti specifici che ottimizzano sia l'attività che la selettività verso il metanolo per l'idrogenazione della CO.
Questo lavoro introduce un framework di apprendimento di operatori ridotti informato dalla fisica che combina Operatori Neurali di Equilibrio con interpolazione empirica discreta basata su QR per ridurre drasticamente il costo computazionale dell'addestramento e dell'inferenza per modelli surrogati di microstrutture iperelastiche 3D, garantendo al contempo l'equilibrio meccanico e consentendo previsioni accurate delle tensioni.
Questo articolo confronta sistematicamente il Trasporto Vincolato (CT) e i metodi misti di pulizia della divergenza di Dedner per le simulazioni MHD astrofisiche, rivelando che quest'ultimi possono produrre artefatti e imprecisioni significativi in scenari che coinvolgono campi magnetici localizzati o cambiamenti improvvisi del passo temporale, suggerendo così che il CT è generalmente più accurato e affidabile, mentre propone modifiche specifiche per migliorare la robustezza della pulizia della divergenza.
Questo articolo presenta un'estensione del toolkit di quantificazione dell'incertezza al pacchetto KLIFF all'interno del framework OpenKIM, che utilizza il campionamento Monte Carlo tramite catene di Markov con temperamento parallelo per valutare le incertezze derivanti sia dalle variazioni dei parametri sia dalle inadeguatezze della forma funzionale nei potenziali interatomici, come dimostrato su un potenziale Stillinger–Weber per il silicio.
Questo articolo introduce un approccio scalabile di matching delle informazioni basato sull'ottimizzazione convessa che sfrutta la Matrice di Informazione di Fisher per selezionare dati di training minimi e ad alto valore per prevedere accuratamente le quantità di interesse, affrontando così la scarsità di dati e l'non-identificabilità dei parametri in diverse applicazioni di modellazione scientifica e apprendimento attivo.