1164 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.
Il documento presenta una teoria termodinamica dell'accelerazione algoritmica che dimostra come i guadagni di velocità siano limitati dall'informazione mutua algoritmica e comportino un costo energetico minimo, stabilendo un vincolo fondamentale sull'efficienza dei sistemi intelligenti.
Questo studio presenta un nuovo quadro diagnostico che combina teoria elettronica multiriferimento, potenziali di gauge adiabatici e teoria delle matrici casuali per dimostrare come la soppressione del caos quantistico allo stato di transizione faciliti l'effetto tunnel e guidi la reattività nelle reazioni ion-molecola negli ambienti astrofisici.
Questo studio quantifica l'influenza delle condizioni ambientali atmosferiche sui sistemi convettivi di mesoscala negli oceani tropicali, rivelando che la convergenza di umidità, l'instabilità atmosferica e il vapore acqueo integrato nella colonna sono i fattori determinanti principali che spiegano circa il 50% della varianza nella frequenza e nelle precipitazioni associate.
Questo studio quantifica il meccanismo di feedback bidirezionale tra l'Oscillazione di Madden-Julian e i sistemi convettivi mesoscalari, dimostrando che mentre l'oscillazione modula l'ambiente che organizza l'attività convettiva, l'attività collettiva di questi sistemi contribuisce attivamente al mantenimento e alla propagazione dell'oscillazione stessa attraverso il trasporto di momento e calore.
Questo articolo offre una panoramica degli approcci basati su dati e machine learning per accelerare le simulazioni dei difetti puntuali nei materiali solidi, evidenziando come modelli surrogati e potenziali interatomici addestrati su dati DFT consentano previsioni rapide e accurate delle proprietà dei difetti, inclusi gli effetti termodinamici a temperature finite, e ne discuta l'integrazione con i dati sperimentali.
Il paper presenta DiffSRDA, un framework di assimilazione dati probabilistico basato su modelli di diffusione che, addestrato offline su previsioni a bassa risoluzione, genera efficientemente analisi ad alta risoluzione con stime di incertezza fisicamente significative e si adatta a nuove configurazioni di sensori senza necessità di riaddestramento.
Questo articolo presenta una formulazione nodale di Galerkin ad alto ordine per l'equazione integrale di Müller, che aggira la necessità di funzioni di base conformi alla divergenza sfruttando la cancellazione delle singolarità iper-singolari nel nucleo, permettendo così l'uso di funzioni di forma nodali e garantendo una convergenza robusta e ad alta precisione.
Questo studio Monte Carlo dimostra che i cluster di camminate casuali semplici bidimensionali sono frattali logaritmici con una dimensione frattale del bordo pari a 4/3 e percorsi di distanza chimica che scalano come , confermando le previsioni della teoria SLE e i limiti superiori per i cluster di percolazione.
Il paper presenta JAX-BEM, un risolutore differenziabile del Metodo degli Elementi al Contorno basato su JAX che, pur mantenendo la precisione dei codici tradizionali, abilita l'ottimizzazione basata su gradienti per la progettazione di forme acustiche complesse.
Il paper presenta un'interfaccia integrata in GROMACS che permette l'uso flessibile di potenziali neurali addestrati con PyTorch per simulazioni ibride ML/MM, facilitando l'applicazione di questi metodi avanzati a sistemi biomolecolari complessi.