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 presenta un agente LLM autonomo capace di eseguire un ciclo di ricerca completo su articoli di fisica computazionale, dimostrando la sua efficacia nel rilevare criticità su larga scala e nel generare commenti scientifici pubblicabili che revisionano le conclusioni originali attraverso calcoli e analisi approfondite.
Questo studio presenta un framework generativo gerarchico a ciclo chiuso che combina algoritmi genetici e modelli generativi per ottimizzare simultaneamente la composizione e l'organizzazione spaziale di sistemi multi-componente, superando le limitazioni dei metodi attuali e permettendo la progettazione automatizzata di catalizzatori e materiali avanzati.
Il lavoro presenta X-MACE, un potenziale di apprendimento automatico trasferibile che, combinato con l'hopping di superficie guidato dalla curvatura, consente uno screening efficiente delle dinamiche degli stati eccitati di cromofori proteici fluorescenti, rivelando come l'affollamento sterico e l'estensione della coniugazione governino rispettivamente l'accesso alle intersezioni coniche e la stabilizzazione delle configurazioni planari per modulare le proprietà fotofisiche.
Questo studio utilizza l'inferenza basata su simulazioni per dimostrare che, nell'analisi della struttura su larga scala a redshift , i momenti condizionali delle derivate (CMD) offrono vincoli cosmologici più precisi rispetto ai funzionali di Minkowski e, in configurazioni selezionate per massa, superano significativamente anche il potere dello spettro, evidenziando il valore complementare delle informazioni anisotrope catturate dai metodi morfologici.
Lo studio utilizza simulazioni numeriche per rivelare come un mix attivo di componenti polari e apolari generi caos spaziotemporale e proliferazione di difetti topologici, mostrando una risposta non monotona dell'apolare che differisce dai sistemi di cristalli liquidi viventi.
Il paper presenta Flow Gym, un framework basato su JAX che unifica lo sviluppo, il benchmarking, l'addestramento e il deployment di metodi di quantificazione dei campi di flusso, in particolare per la velocimetria a immagini di particelle (PIV), risolvendo problemi di frammentazione software e migliorando la riproducibilità e l'interoperabilità tra algoritmi classici e basati sull'apprendimento.
Questo lavoro propone un framework di modellazione costitutiva probabilistica basato sulla regressione quantile conformalizzata per materiali soffici anisotropi, che quantifica l'incertezza predittiva garantendo coerenza termodinamica e offrendo un approccio computazionalmente efficiente e privo di assunzioni distributive.
Il paper introduce un approccio basato su una densità di carica modello che annulla i momenti di multipolo della distribuzione cristallina per accelerare la convergenza delle somme di Ewald, dimostrando la sua efficacia nel calcolo del gap fondamentale dell'arseniuro di gallio e chiarificando un'implementazione decennale nel codice CRYSTAL.
Questo studio dimostra che l'integrazione di nuovi descrittori di legame quantochimici, derivati da un'estesa database di 13.000 materiali, migliora significativamente le prestazioni dei modelli di apprendimento automatico nella previsione di proprietà elastiche, vibrazionali e termodinamiche, facilitando inoltre l'identificazione di relazioni fisiche intuitive tramite regressione simbolica.
Il paper presenta un modello surrogato basato sull'apprendimento automatico per l'equazione di Cahn-Hilliard stocastica in 3D che, parametrizzando le fluttuazioni termiche a livello dei flussi intercellulari, garantisce la conservazione della massa e la coerenza termodinamica, permettendo di catturare con successo fenomeni critici come la nucleazione e di generalizzare a domini spaziali e temporali molto più ampi rispetto a quelli di addestramento.