🔬 Category

physics.comp-ph

1201 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.

Maximizing the magnetic anisotropy of Dy complexes by fine tuning organic ligands: A systematic multireference high-throughput exploration of over 30k molecules

Questo studio dimostra che l'esplorazione computazionale ad alto rendimento di oltre 30.000 complessi di disprosio, combinando dati cristallografici esistenti con la generazione sistematica di nuovi leganti organici, permette di ottimizzare il campo di coordinazione e raddoppiare l'anisotropia magnetica rispetto ai composti di riferimento.

Lion Frangoulis, Lorenzo A. Mariano. Vu Ha Anh Nguyen, Zahra Khatibi, Alessandro Lunghi2026-04-06🔬 cond-mat.mtrl-sci

Low-Scaling Many-Body Green's Function Calculations for Molecular Systems via Interacting-Bath Dynamical Embedding Theory

Il paper presenta un'estensione molecolare della teoria di embedding dinamico a bagno interagenti (ibDET) che permette di calcolare con elevata precisione e a costi computazionali ridotti le energie di eccitazione cariche di sistemi molecolari complessi, ottenendo errori trascurabili rispetto ai risultati su sistemi completi.

Christian Venturella, Jiachen Li, Tianyu Zhu2026-04-06🔬 physics

Real-Time Surrogate Modeling for Personalized Blood Flow Prediction and Hemodynamic Analysis

Questo lavoro presenta un quadro sistematico basato su modelli surrogati di apprendimento automatico che, partendo da un cohort virtuale parametrico derivato dai dati clinici Asklepios, permette la previsione istantanea dell'emodinamica, l'ottimizzazione del campionamento dei parametri e la stima precisa della gittata cardiaca e della pressione sistolica aortica centrale.

Sokratis J. Anagnostopoulos, George Rovas, Vasiliki Bikia, Theodore G. Papaioannou, Athanase D. Protogerou, Nikolaos Stergiopulos2026-04-06🔬 physics

Fast and Accurate Inverse Blood Flow Modeling from Minimal Cuff-Pressure Data via PINNs

Questo lavoro presenta un framework non invasivo e personalizzato basato su reti neurali informate dalla fisica (PINN) che, utilizzando dati minimi della pressione da bracciale, risolve in modo rapido e accurato l'inverso del flusso ematico nell'albero arterioso per stimare parametri emodinamici centrali come la gittata cardiaca e la pressione sistolica centrale.

Sokratis J. Anagnostopoulos, Georgios Rovas, Lydia Aslanidou, Vasiliki Bikia, Nikolaos Stergiopulos2026-04-06🔬 physics

RiteWeight: Randomized Iterative Trajectory Reweighting for Steady-State Distributions Without Discretization Error

Il paper introduce RiteWeight, un algoritmo di ripesatura iterativa e randomizzata delle traiettorie che permette di stimare distribuzioni stazionarie accurate in dinamica molecolare senza errori di discretizzazione, correggendo efficacemente dati non convergenti sia per stati di equilibrio che non di equilibrio.

Sagar Kania, Robert J. Webber, Gideon Simpson, David Aristoff, Daniel M. Zuckerman2026-04-03🔬 physics

Understanding multi-fidelity training of machine-learned force-fields

Questo studio analizza sistematicamente le strategie di addestramento multi-fiducia per i campi di forza appresi tramite machine learning, confrontando l'approccio pre-addestramento/raffinamento, che dipende fortemente dalla qualità dei dati e dalle etichette di forza, con l'addestramento multi-testa che, pur offrendo prestazioni leggermente inferiori, garantisce rappresentazioni indipendenti dal metodo e vantaggi pratici per lo sviluppo di modelli universali ed economicamente efficienti.

John L. A. Gardner, Hannes Schulz, Jean Helie, Lixin Sun, Gregor N. C. Simm2026-04-03🔬 physics