1205 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 lavoro presenta un atlante neurale basato su coordinate volumetriche sovrapposte che sostituisce la generazione di mesh tradizionali per risolvere problemi ai valori al contorno su geometrie 3D complesse, permettendo l'uso flessibile di diversi solvi su un'unica rappresentazione geometrica differenziabile.
Il paper propone il "Predictor-Driven Diffusion", un framework che unisce il raggruppamento spaziale basato sul gruppo di rinormalizzazione e la formulazione integrale di percorso per la dinamica temporale, permettendo di catturare l'influenza statistica delle fluttuazioni su piccola scala sull'evoluzione su larga scala e unificando simulazione, generazione incondizionata e super-risoluzione in un unico modello validato su sistemi turbolenti multiscala.
Il paper introduce la MVNN, una rete neurale a valori di misura che inferisce direttamente le interazioni dipendenti dalla distribuzione dai dati di traiettoria delle particelle, garantendo proprietà teoriche come l'approssimazione universale e dimostrando elevate prestazioni di generalizzazione su vari sistemi dinamici collettivi.
Il paper presenta SAT3-NN, un nuovo modello di rete neurale che, addestrato su dati di simulazioni non lineari CGYRO, mappa con maggiore precisione i dati lineari girocinetici verso le grandezze di potenziale sature e i flussi turbolenti rispetto ai precedenti modelli di saturazione.
Il paper presenta BuSyNet, un'architettura di deep learning che combina vincoli di consistenza dimensionale e trasformazioni simpatiche per scoprire espressioni simboliche di Hamiltoniane, ottenendo previsioni a lungo termine più accurate e stabili rispetto agli approcci esistenti su sistemi come l'oscillatore armonico e il problema dei due corpi di Keplero.
Questo studio rivela che simulazioni di flussi ipersonici su sfere in gas poliatomici inerenti con basso rapporto di calore specifico possono generare instabilità numeriche di tipo "carbuncle" nello strato d'urto, evidenziando il rischio di confondere tali artefatti computazionali con le reali oscillazioni fisiche osservate sperimentalmente nei gas con rilassamento termo-chimico.
Il paper propone un nuovo algoritmo di fusione delle particelle per le simulazioni di gas rarefatti che conserva momenti arbitrari della distribuzione risolvendo un problema di minimi quadrati non negativi, riducendo significativamente gli errori indotti dalla fusione nelle quantità macroscopiche chiave.
Il paper introduce Procela, un framework Python che rivoluziona le simulazioni meccanicistiche consentendo loro di mutare strutturalmente a runtime: può aggiungere dinamicamente nuovi meccanismi inesistenti all'avvio, rimuovere quelli fallimentari, modificare le politiche di risoluzione delle variabili e condurre esperimenti che alterano il grafo causale stesso, con ripristino automatico in caso di fallimento, superando i metodi tradizionali basati sul ridimensionamento di modelli fissi e dimostrando risultati superiori nella gestione della resistenza antimicrobica.
Questo studio valida l'efficacia e la robustezza di circuiti virtuali emulati da reti neurali per il controllo in tempo reale della forma del plasma in un tokamak, dimostrando attraverso simulazioni in ciclo chiuso su scenari MAST-U che tale approccio supera i limiti dei programmi predefiniti e rappresenta un passo cruciale verso il loro dispiegamento operativo.
Questo articolo presenta un metodo ibrido discontinuo di Galerkin spettrale (HDG-SEM) p-adattivo implementato nel framework open-source PICLas per risolvere efficientemente l'equazione di Poisson nelle simulazioni elettrostatiche plasma-particella, riducendo i gradi di libertà globali concentrando il calcolo computazionale nelle regioni con forti gradienti.