1222 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 lavoro presenta nuovi risultati di continuazione analitica per il fattore di struttura dinamico del liquido elettronico uniforme, ottenuti applicando sia il metodo dell'entropia massima sia una rappresentazione a kernel gaussiano sparso ottimizzato a dati quasi-esatti di Monte Carlo integrale di percorso su un'ampia gamma di temperature.
Il paper presenta un nuovo approccio basato su firme di Chebyshev a grafo cross-scale per caratterizzare e classificare automaticamente le transizioni atomiche in simulazioni su larga scala, permettendo di identificare modelli complessi e gerarchie di transizioni non accessibili alle tecniche tradizionali.
Il paper presenta un framework multiscale concorrente accelerato da operatori neurali che accoppia simulazioni atomiche e analisi agli elementi finiti per materiali viscoelastici, sostituendo la costosa valutazione diretta della dinamica molecolare con un surrogato di rete neurale ricorrente per rendere fattibili simulazioni dinamiche su larga scala.
Il paper introduce PRBench, un benchmark rigoroso composto da 30 compiti curati da esperti che valutano la capacità degli agenti AI di riprodurre end-to-end ricerche scientifiche in fisica, rivelando che, nonostante le loro potenzialità, gli agenti attuali ottengono prestazioni complessive molto basse (34%) e falliscono sistematicamente nella corretta implementazione di formule, nel debug e nell'accuratezza dei dati.
Il documento presenta il Spectral Pattern Translator (SPT), un framework di deep learning basato su principi fisici che risolve il problema inverso della spettroscopia di assorbimento dei raggi X trasformando i dati sperimentali in configurazioni atomiche con alta precisione e bassa latenza, superando le limitazioni computazionali tradizionali per accelerare la scoperta autonoma di materiali.
Questo lavoro propone un metodo alternativo basato sulla precisione finita e sull'algoritmo Lanczos-Golub-Welsch per la costruzione di tabelle di probabilità nello schermaggio di risonanza, che migliora l'accuratezza delle sezioni d'urto efficaci ed evita la comparsa di risposte complesse rispetto alle tecniche convenzionali.
Il lavoro presenta una soluzione analitica esatta nello spazio delle fasi per l'oscillatore a contatto con smorzamento a legge di potenza, dimostrando che può essere mappato esattamente su un sistema lineare equivalente, il che permette di derivare in forma chiusa il coefficiente di restituzione, la massima penetrazione e la soluzione temporale parametrica per qualsiasi esponente della forza .
Il paper presenta un approccio basato sui dati per costruire operatori di collisione generalizzati in plasmi 1D3V, apprendendo direttamente dalle simulazioni di dinamica molecolare per superare i limiti dei modelli empirici e garantire la conservazione delle leggi fisiche con un'efficienza computazionale elevata.
Questo studio dimostra che l'ordinamento atomico a corto raggio nelle leghe semiconduttrici GeSn può essere controllato mediante ricottura e utilizzato come parametro fondamentale per ingegnerizzare la banda proibita, grazie a una nuova metodologia di analisi EXAFS guidata dal machine learning correlata alla fotoluminescenza.
Il paper presenta Mat3ra-2D, un framework open-source progettato per generare rapidamente materiali bidimensionali realistici e interfacce complesse, colmando il divario tra i dati ideali utilizzati per l'addestramento dell'IA e le applicazioni pratiche dominanti da difetti e superfici.