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 propone un quadro unificato che colma il divario tra l'apprendimento profondo geometrico e l'analisi numerica rigorosa per le simulazioni CFD, introducendo la previsione multi-nodo, la correzione temporale tramite cross-attention e gli embedding posizionali rotazionali 3D per superare i limiti di stabilità e accuratezza degli attuali surrogati ML su mesh non strutturate.
Questo articolo propone un approccio di Deep Learning guidato dalla fisica che utilizza un'architettura U-Net per sopprimere efficacemente artefatti strutturati e non stazionari nell'imaging a raggi X in singola acquisizione, migliorando significativamente la qualità della ricostruzione e la preservazione del segnale rispetto ai metodi tradizionali, integrando al contempo ensemble profondi per garantire robustezza attraverso la stima dell'incertezza.
Questo articolo introduce un framework di regressione simbolica pesata per composizione che combina algoritmi di ricerca ibrida con operatori max/min per generare espressioni analitiche interpretabili per la previsione di proprietà materiali diverse direttamente dalla composizione chimica, ottenendo un'accuratezza competitiva rispetto ai modelli black-box pur rivelando tendenze elementali chimicamente significative.
Questo articolo propone e convalida una strategia per costruire funzionali espliciti che mappano direttamente i potenziali di Kohn-Sham sulle densità di carica in materiali non omogenei utilizzando dati del gas di elettroni omogeneo, dimostrando con successo un miglioramento della precisione attraverso approssimazioni sempre più sofisticate senza risolvere l'equazione di Schrödinger di Kohn-Sham.
Questo studio dimostra che la frazione di impaccamento della vorticità nella turbolenza bidimensionale di Navier-Stokes in decadimento governa la transizione dall'equilibrio di vortici puntiformi a quello di vortici di dimensione finita, che a sua volta determina un corrispondente spostamento nel trasporto dei traccianti lagrangiani dal intrappolamento orbitale sub-diffusivo al moto lineare super-diffusivo all'aumentare dell'impaccamento.
Questo articolo introduce un framework di analisi avversaria consapevole della scala basato sulla decomposizione della diffusione vincolata per rivelare che i modelli generativi di intelligenza artificiale standard non riescono a interiorizzare le leggi fisiche attraverso le scale, mostrando invece un blocco strutturale e instabilità quando sottoposti a perturbazioni vincolate fisicamente.
Questo articolo presenta MuDirac 1.3.0, uno strumento software open-source sostenibile ed efficiente che permette alla comunità dei muoni negativi di calcolare con precisione le proprietà nucleari, come il raggio di carica, modellando le energie di transizione dei raggi X muonici secondo una distribuzione di Fermi a due parametri.
Questo lavoro presenta un computer a serbatoio fotonico ibrido spaziotemporale sperimentale che utilizza un array di VCSEL accoppiati diffrattivamente, il quale migliora significativamente le prestazioni di classificazione e la scalabilità combinando l'accoppiamento spaziale con il multiplexaggio temporale per espandere una rete di 12 nodi in un sistema di 968 nodi con un errore di test ridotto a 0,026.
Questo articolo propone un algoritmo efficiente basato sull'approccio MeLoCoToN che formula la fattorizzazione intera come un'equazione di rete tensoriale derivata da un circuito di moltiplicazione binaria, ottimizzando la struttura della rete e dimostrandone le prestazioni mediante metodi di contrazione esatti e approssimati.
Questo articolo presenta il codice Python xARPES, che utilizza un metodo di massima entropia esteso con inferenza bayesiana per estrarre in modo coerente le autoenergie elettroniche e le funzioni di Eliashberg dalle dispersioni curve nei dati di spettroscopia fotoemissiva a risoluzione angolare, dimostrando una precisione superiore sia su dataset modellistici che sperimentali rispetto agli approcci esistenti basati sulla linearizzazione.