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 studio propone un framework di modellazione surrogata multi-fedeltà basato sul co-kriging ricorsivo per prevedere con precisione e ridotto costo computazionale i coefficienti di carico del vento sulle moderne navi portacontainer, considerando sia le configurazioni geometriche che l'influenza delle strutture portuali circostanti.
Il paper presenta PHIN-GAN, una nuova rete generativa avversaria (GAN) basata sulla fisica che utilizza funzioni di densità di probabilità analitiche per simulare le interazioni particella-materia con la stessa precisione di GEANT4, ma a una frazione del costo computazionale.
Questo studio dimostra che, nel caso del tubo d'urto viscoso a bassi numeri di Reynolds, emergono fenomeni di non-equilibrio nelle interazioni tra onde d'urto e strati limite, evidenziando la necessità di utilizzare metodi multiscala come l'UGKS rispetto ai risolutori basati sulle equazioni di Navier-Stokes.
Questo lavoro introduce due varianti del metodo *structure factor twist averaging* (sfTA), denominate *paired sfTA* e *binding sfTA*, progettate per migliorare la precisione del calcolo delle energie di legame nei materiali bilayer integrando l'interazione di legame nella selezione dell'angolo di torsione.
Il paper presenta , un'architettura di rete neurale basata sull'apprendimento di operatori che permette di mappare direttamente la relazione tra parametri e spettri in sistemi fisici complessi, dimostrando un'elevata precisione nel calcolo dei modi quasi-normali dei buchi neri di Kerr.
Il lavoro analizza come l'efficacia dei modelli di machine learning per la fluidodinamica multifase dipenda dall'allineamento tra i pregiudizi induttivi (inductive biases) inseriti nel modello e il regime fisico specifico, dimostrando che un approccio basato sulla geometria frattale migliora la precisione nelle fasi di corrugazione ma perde efficacia durante la frammentazione delle gocce.
Il metodo proposto, denominato *synchronized molecular dynamics* (SMD), accoppia simulazioni molecolari locali con una descrizione macroscopica di lubrificazione per simulare in modo efficiente e fisicamente coerente il flusso di fluidi complessi in strati sottili.
Questo studio estende il metodo *direct-forcing immersed boundary* (DF-IBM) accoppiandolo alle equazioni di Newton-Euler per simulare l'interazione tra fluidi e corpi rigidi in movimento libero, introducendo un algoritmo di accoppiamento implicito e una tecnica di rilassamento che garantiscono stabilità, robustezza ed efficienza computazionale anche in scenari complessi.
Il lavoro introduce un'euristica di campionamento basata su Tensor Network (MPS/TT) per il controllo ottimale quantistico discreto, offrendo un metodo gradient-free efficace e stabile per navigare paesaggi di ottimizzazione complessi.
Il lavoro presenta una tecnica analitica per determinare gli stati stazionari di un sistema collisionless confinato, dimostrando che l'utilizzo di regole di reiniezione ai bordi più generali rispetto alla classica distribuzione di Maxwell porta alla formazione di profili di densità e temperatura non termici e non monotoni.