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.
Il paper propone un modello di diffusione per la risoluzione di equazioni differenziali parziali che, pur essendo addestrato in modo puramente basato sui dati, integra le leggi fisiche esclusivamente durante la fase di inferenza inversa, garantendo così alta accuratezza, convergenza robusta e una forte capacità di generalizzazione senza necessità di riaddestramento.
Il paper presenta PI-JEPA, un framework di pre-addestramento senza etichette per simulazioni multiphysics accoppiate che utilizza la previsione latente mascherata su campi di parametri non etichettati e la regolarizzazione dei residui PDE per ridurre drasticamente il numero di simulazioni etichettate necessarie per addestrare surrogati neurali accurati.
Il documento descrive come i recenti potenziali interatomici di apprendimento automatico fondazionali, capaci di unire precisione quantistica e velocità dei campi di forza senza necessità di addestramento specifico, stiano per sostituire la teoria del funzionale della densità (DFT) come metodo principale nella chimica computazionale entro un decennio.
Questo articolo presenta l'estensione del modello Shakhov-Bhatnagar-Gross-Krook (SBGK) nel codice particellare PICLas per simulare molecole poliatomiche e miscele di atomi e molecole in condizioni di non equilibrio, convalidandone l'accuratezza attraverso confronti con i metodi DSMC ed ESBGK in flussi supersonici e ipersonici.
Il paper presenta TUNA, un programma open-source di chimica quantistica ottimizzato per atomi e molecole biatomiche che, basandosi sulla differenziazione numerica per calcolare tutte le proprietà a partire dall'energia, funge da piattaforma trasparente per l'insegnamento, il benchmarking e lo sviluppo di nuovi metodi di struttura elettronica.
Il paper presenta un framework agenziale auto-evolutivo che, accoppiando un agente di codifica con artefatti di abilità in evoluzione e un valutatore deterministico basato su simulazioni fisiche, permette di accumulare e riutilizzare competenze specifiche per il solver nel design inverso delle metasuperfici, migliorando significativamente il successo e l'efficienza dei flussi di lavoro senza modificare i pesi del modello o il motore fisico sottostante.
Questo studio combina simulazioni atomistiche, Monte Carlo cinetico e teoria analitica per dimostrare che lo scambio di atomi Cu-Al ai giunzioni dislocazione-precipitato è il meccanismo fondamentale alla base della bassa sensibilità alla velocità di deformazione osservata nelle leghe di alluminio indurite per precipitazione.
Il paper propone un metodo di filtraggio algebrico che, trattando i generatori di simmetria come operatori lineari, riduce l'imposizione di vincoli di simmetria alla risoluzione di equazioni lineari per generare in modo completo ed efficiente lo spazio di ricerca dei termini nelle equazioni di campo continue, facilitando così la scoperta guidata dai dati delle equazioni governative.
Questo articolo presenta una simulazione completa dell'evoluzione e dei tempi di runaway dei cluster di buchi neri primordiali risolvendo l'equazione di coagulazione di Smoluchowski, fornendo una spiegazione per i buchi neri supermassicci ad alto redshift osservati dal JWST.
Questo studio presenta un nuovo metodo basato su trasformatori e apprendimento profondo multimodale per la previsione della risposta strutturale e il monitoraggio della salute delle infrastrutture eoliche, che supera i limiti delle tecniche tradizionali grazie alla sua capacità di adattarsi a condizioni ambientali variabili e di funzionare come un gemello digitale su dati reali del ponte di Hardanger.