879 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 introduce la Physics-Informed Multivariate Functional Approximation (PI-MFA), un framework che utilizza B-spline prodotto tensoriale per generare ricostruzioni di campi di flusso continue e differenziabili ottimizzando i punti di controllo per bilanciare la fedeltà ai dati con le leggi fisiche reggenti, garantendo così risultati fisicamente coerenti anche da dati di input inconsistenti.
Questo articolo dimostra che le piccole reti LSTM addestrate in modo ottimale esibiscono una dinamica di branching quasi critica e statistiche di valanga scale-free, mentre i modelli più grandi rimangono subcritici, con un quadro proposto di processo di branching misto che spiega come dinamiche eterogenee possano comunque generare robuste correlazioni temporali a lungo raggio.
Questo articolo introduce PulsarX, un framework open-source che utilizza reti di Kolmogorov-Arnold adattive e pipeline di addestramento automatizzate per ottenere soluzioni di magnetosfera di pulsar assialsimmetriche altamente accurate e autoconsistenti con una velocità di convergenza significativamente migliorata, una riduzione della regolazione manuale e la capacità di risolvere scale spaziali estreme rispetto ai precedenti approcci basati su Reti Neurali Informate dalla Fisica.
Questo articolo propone un framework di Optimization-based Bound Tightening (OBBT) che utilizza l'aritmetica degli intervalli e le rilassazioni di McCormick per fornire limiti di incertezza garantiti e privi di campionamento per modelli idrogeologici non identificabili, affrontando al contempo sfide come il flusso rotazionale non fisico attraverso specifici vincoli di segno e di irrotazionalità.
Questo articolo introduce un approccio combinato che utilizza l'espansione dei cluster basata sulla regressione sparsa e il campionamento Monte Carlo semigrand-canonico per modellare efficientemente la termodinamica dell'intercalazione di catodi con struttura rocksalt disordinata, riproducendo con successo i profili di tensione sperimentali ed elucidando i contributi redox di Mn e ossigeno in LiMnNbOF.
Questo articolo introduce BayesMBAR, una generalizzazione bayesiana del metodo multistate Bennett acceptance ratio (MBAR) che calcola le distribuzioni a posteriori dell'energia libera per fornire stime dell'incertezza più accurate e consentire l'incorporazione di conoscenze pregresse, come la regolarità della superficie, nei calcoli dell'energia libera.
Questo articolo presenta un framework basato sul consenso che unifica l'esplorazione dello spazio delle fasi con il campionamento adattivo basato sul residuo posteriore per risolvere il problema di ottimizzazione minimax della costruzione congiunta di modelli surrogati e della generazione di campioni per paesaggi energetici ad alta dimensionalità, abilitando efficacemente l'approssimazione efficiente delle superfici di energia libera in sistemi biomolecolari complessi.
Questo studio utilizza l'apprendimento automatico e la previsione strutturale basata sulla diffusione per rivelare che il difluorofosfato di litio amorfo (), un componente chiave dell'interfaccia elettrolitica solida, esibisce un'elevata conducibilità ionica grazie al disordine strutturale e all'abbondanza di difetti interstiziali, suggerendo che le fasi amorfe a miscela di anioni siano i principali percorsi di rapido trasporto ionico nelle batterie agli ioni di litio.
Questo articolo investiga l'impatto delle tecniche di imposizione dei confini soft rispetto a quelle hard sull'accuratezza e sull'efficienza dell'addestramento delle reti neurali informate dalla fisica (PINN) per problemi di elastodinamica, dimostrando che, sebbene l'imposizione hard delle condizioni di trazione su geometrie implicite riduca il tempo di esecuzione, essa spesso avviene a scapito dell'accuratezza della soluzione rispetto all'imposizione soft.
Questo articolo introduce un framework di apprendimento multi-fedeltà guidato da un agente che impiega un agente strutturale per diagnosticare le instabilità numeriche nei calcoli GW-Bethe-Salpeter e applica correzioni di apprendimento automatico per predire accuratamente le proprietà quasi-particellari ed eccitoniche in bilayer di MoS2-WS2 deformati, dimostrando che la rilevazione esplicita della fragilità numerica è essenziale per una modellazione surrogata affidabile di materiali a stato eccitato.