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 schemi ADI efficienti e incondizionatamente stabili per risolvere equazioni del calore tridimensionali con confini e interfacce irregolari, combinando il metodo Douglas-Gunn modificato con una tecnica integrale al contorno priva di kernel (KFBI) e il metodo level set per simulare fenomeni complessi come la solidificazione dendritica.
Questo studio propone un modello di diffusione-reazione su substrati frattali che, integrando la dimensione frattale dei tessuti e parametri di dinamica frazionaria, spiega come l'eterogeneità strutturale e il trasporto anomalo governino la risposta differenziale tra tumori e tessuti normali durante l'irradiazione FLASH a dose ultra-elevata.
Questo lavoro presenta un solver neurale basato su grafi interpretabile e strutturale che, integrando principi numerici classici con le reti neurali, risolve in modo stabile ed efficiente le leggi di conservazione iperboliche parametriche preservando la conservazione locale e la stabilità delle onde d'urto.
Il documento presenta PINNACLE, un framework open-source che unifica le reti neurali informate dalla fisica (PINN) classiche e quantistiche con strategie di addestramento avanzate e accelerazione multi-GPU, fornendo uno studio di benchmark completo per valutarne le prestazioni, la scalabilità e i compromessi rispetto ai solver tradizionali.
Questo studio presenta un flusso di lavoro probabilistico scalabile che integra correzione bayesiana, deep learning e upscaling idrodinamico per prevedere la permeabilità e il flusso in fratture geologiche naturali, quantificando l'incertezza derivante dall'eterogeneità geometrica e dai limiti dei modelli deterministici tradizionali.
Questo lavoro presenta un quadro di apprendimento automatico che, utilizzando reti neurali e trasferimento di conoscenza, corregge con alta precisione gli errori nelle previsioni energetiche degli isotopologhi molecolari scarsi di dati (come CO e CO₂), migliorando significativamente l'accuratezza delle liste di linee spettroscopiche necessarie per lo studio delle atmosfere degli esopianeti.
Questo studio dimostra che gli stati di prodotto a matrice (MPS) costituiscono uno strumento scalabile per simulare la convezione di Rayleigh-Bénard turbolenta in due dimensioni fino a numeri di Rayleigh di , permettendo di recuperare con alta precisione le osservabili statistiche con una riduzione significativa dei gradi di libertà rispetto alla complessità teorica suggerita.
Lo studio dimostra che la modulazione dinamica della distanza tra radicali nella proteina criptocromo supera i limiti imposti dalle forti interazioni dipolari, potenziando la sensibilità al campo geomagnetico attraverso transizioni di tipo Landau-Zener e suggerendo che un magnetorecettore "vivo" e guidato è più efficace di uno statico.
Gli autori hanno sviluppato un approccio bayesiano rigoroso che, superando le limitazioni del basso numero di fotoni e dell'alto rumore, permette di determinare la densità elettronica di piccole proteine da immagini di scattering X a singola molecola, dimostrando la sua efficacia sia su dati sintetici che su dati sperimentali reali.
Questo articolo presenta nuovi integratori esponenziali di Eulero a rango pieno e ridotto per l'equazione di Lindblad che garantiscono incondizionatamente la conservazione della positività e della traccia, offrendo stime di errore rigorose e dimostrando un'efficacia superiore rispetto alle tecniche attuali attraverso esperimenti numerici.