1217 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 quadro alternativo per i sistemi quantistici aperti in cui l'ambiente emerge dinamicamente dall'attivazione di vincoli in un sistema quantistico inizialmente vincolato, codificando l'accoppiamento sistema-ambiente direttamente nella struttura dei vincoli piuttosto che tramite un Hamiltoniano di interazione separato.
Questo articolo presenta l'uso della libreria agli elementi finiti deal.II per risolvere le equazioni di Stokes e Navier-Stokes attraverso infrastrutture multigrid, adattive e senza matrice, dimostrando la flessibilità e la modularità del framework in contesti stazionari, transitori e non lineari.
Questo lavoro propone un metodo semplice ed efficiente basato sulla purificazione del momento della distribuzione di Dirac applicata alla matrice densità per isolare e risolvere gli autostati ai bordi del gap di banda senza richiedere calcoli aggiuntivi complessi.
Questo studio dimostra come l'emulazione basata su INT8, gestita dallo strumento SCILIB-Accel, possa accelerare le calcoli di struttura elettronica *ab initio* su GPU moderne preservando gli algoritmi originali e migliorando simultaneamente accuratezza e prestazioni attraverso strategie di precisione adattiva.
Questo paper propone un risolutore di Riemann neurale con vincoli rigidi (HCNRS) che impone cinque proprietà fisiche fondamentali per garantire conservazione, simmetria e invarianza, permettendo di riprodurre con alta precisione i risultati dei solutori esatti nelle equazioni di Eulero e delle acque basse senza gli errori tipici degli approcci puramente data-driven.
Questo lavoro presenta un codice open-source basato su GPU per la dinamica molecolare di integrali di percorso (PIMD) che accelera significativamente le simulazioni *ab initio* di sistemi quantistici su larga scala, permettendo di studiare fino a 40.000 particelle identiche e offrendo una soluzione promettente al problema del segno fermionico.
Questo articolo introduce un approccio di stati prodotto matriciale (MPS) in prima quantizzazione per simulare sistemi quantistici a molti corpi, dimostrando che una corretta gestione dell'antisimmetria fermionica permette di ottenere un livello di entanglement paragonabile a quello della seconda quantizzazione e, in alcuni casi di evoluzione temporale, addirittura inferiore.
Questo studio presenta il Northeast Materials Database (NEMAD), una risorsa sperimentale di 67.573 voci sui materiali magnetici estratta tramite modelli linguistici di grandi dimensioni, che abilita modelli di machine learning ad alta precisione per la classificazione e la previsione delle temperature di transizione, accelerando così la scoperta di nuovi materiali magnetici ad alte prestazioni.
Questo studio utilizza una rete neurale profonda addestrata su dati di teoria del funzionale densità per dimostrare che, sebbene la costante dielettrica dell'acqua liquida a temperatura ambiente aumenti non linearmente con la pressione a causa dell'aumento di densità, il fattore di correlazione di Kirkwood diminuisce a causa delle distorsioni strutturali che indeboliscono le correlazioni dipolari nella rete di legami idrogeno.
Questo lavoro presenta un modello di rete neurale su grafo equivariante (EGNN) che supera i limiti delle espansioni a cluster tradizionali prevedendo con precisione le proprietà di configurazioni atomiche rilassate, come quelle dell'ossido di litio e cobalto, senza richiedere costosi calcoli di teoria del funzionale densità.