879 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 nuovo framework per la costruzione di surrogati neurali in tempo reale e preservanti la struttura per equazioni alle derivate parziali, integrando spazi di elementi finiti misti con la regressione dei processi gaussiani per consentire una quantificazione dell'incertezza trattabile e limiti di errore posteriori in forma chiusa.
Questo articolo introduce un framework di deep learning ibrido che utilizza una Rete Neurale Convoluzionale Multi-Scala per parametrizzare dinamicamente un modello di Automata Cellulare Probabilistico in JAX, migliorando significativamente l'accuratezza della previsione della propagazione degli incendi su grandi incendi negli Stati Uniti catturando le complesse interazioni ambientali pur mantenendo l'interpretabilità fisica.
Questo studio dimostra che, sebbene l'eterogeneità microstrutturale nella geometria dei grani abbia un effetto modesto, una vasta distribuzione delle viscosità dei bordi di grano può sopprimere e allargare il picco caratteristico di tipo Debye dello scorrimento dei bordi di grano ad accomodamento elastico in un debole fondo, spiegando così l'assenza di un picco pronunciato negli esperimenti su olivina secca senza negare la rilevanza del meccanismo per l'attenuazione sismica del mantello superiore.
Questo articolo introduce fitPALSpectra, un workflow Python open-source che affronta le sfide dell'analisi dei dati della spettroscopia di annichilazione positronica (PALS) fornendo uno strumento configurabile per simulare, adattare e visualizzare spettri utilizzando un modello esponenziale-Gaussiano analiticamente integrato, il quale è stato validato per recuperare accuratamente i parametri di verità fondamentale su dati sintetici.
Questo articolo propone un metodo spettrale misto Hermite-Legendre per simulazioni cinetiche di plasma che combina l'efficienza dei polinomi di Hermite per le distribuzioni quasi-Maxwelliane con le capacità di risoluzione dei polinomi di Legendre per le caratteristiche non-Maxwelliane localizzate, ottenendo un'accuratezza migliorata e la conservazione degli invarianti fisici a un costo computazionale comparabile.
Questo articolo introduce un metodo di Diagonalizzazione Approssimata Congiunta per calcoli quasiparticle self-consistent $GW$ che utilizza l'intera auto-energia dinamica e una matrice di densità derivata dalla funzione di Green completa, raggiungendo un'accuratezza comparabile ai calcoli standard pur offrendo un migliore accordo con i valori di riferimento CCSD(T) di alto livello.
Questo articolo introduce i General-Geometry Neural Whitney Forms (Geo-NeW), un metodo agli elementi finiti basato sui dati che apprende congiuntamente operatori differenziali e spazi ridotti compatibili per preservare le leggi di conservazione fisica e raggiungere una generalizzazione superiore su geometrie non viste nella risoluzione di Equazioni Differenziali alle Parti Parziali.
Questo articolo stabilisce un quadro teorico che confronta gli ensemble di reti neurali a sistema chiuso con analoghi a sistema aperto della teoria delle reazioni nucleari, concludendo infine che la distintiva dinamica non ermitiana di questi ultimi è strutturalmente assente nell'apprendimento mainstream a causa della mancanza di spettri continui e di comportamento ondulatorio, localizzando così la vera fonte dell'incertezza operativa all'interno della corrispondenza a sistema chiuso.
Questo articolo risolve il paradosso per cui gli Stati a Prodotto di Matrici (MPS) sono altamente addestrabili nonostante i problemi generali di addestrabilità dei circuiti quantistici, dimostrando che la libertà di gauge negli MPS induce un'efficace sovraparametrizzazione locale, che elimina i minimi locali scarsi e li concentra vicino al minimo globale.
Questo articolo introduce Graphlet-MP, un database completo e un toolkit open-source che fornisce rappresentazioni di istogrammi di graphlet interpretabili ed efficienti dal punto di vista dei dati per oltre 149.000 cristalli inorganici, al fine di abilitare la predizione delle proprietà dei materiali anche con dati sperimentali scarsi.