🔬 Category

physics.comp-ph

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.

Maximizing the magnetic anisotropy of Dy complexes by fine tuning organic ligands: A systematic multireference high-throughput exploration of over 30k molecules

Questo studio dimostra che l'esplorazione computazionale ad alto rendimento di oltre 30.000 complessi di disprosio, combinando dati cristallografici esistenti con la generazione sistematica di nuovi leganti organici, permette di ottimizzare il campo di coordinazione e raddoppiare l'anisotropia magnetica rispetto ai composti di riferimento.

Lion Frangoulis, Lorenzo A. Mariano. Vu Ha Anh Nguyen, Zahra Khatibi, Alessandro Lunghi2026-04-06🔬 cond-mat.mtrl-sci

Real-Time Surrogate Modeling for Personalized Blood Flow Prediction and Hemodynamic Analysis

Questo lavoro presenta un quadro sistematico basato su modelli surrogati di apprendimento automatico che, partendo da un cohort virtuale parametrico derivato dai dati clinici Asklepios, permette la previsione istantanea dell'emodinamica, l'ottimizzazione del campionamento dei parametri e la stima precisa della gittata cardiaca e della pressione sistolica aortica centrale.

Sokratis J. Anagnostopoulos, George Rovas, Vasiliki Bikia, Theodore G. Papaioannou, Athanase D. Protogerou, Nikolaos Stergiopulos2026-04-06🔬 physics

Fast and Accurate Inverse Blood Flow Modeling from Minimal Cuff-Pressure Data via PINNs

Questo lavoro presenta un framework non invasivo e personalizzato basato su reti neurali informate dalla fisica (PINN) che, utilizzando dati minimi della pressione da bracciale, risolve in modo rapido e accurato l'inverso del flusso ematico nell'albero arterioso per stimare parametri emodinamici centrali come la gittata cardiaca e la pressione sistolica centrale.

Sokratis J. Anagnostopoulos, Georgios Rovas, Lydia Aslanidou, Vasiliki Bikia, Nikolaos Stergiopulos2026-04-06🔬 physics

RiteWeight: Randomized Iterative Trajectory Reweighting for Steady-State Distributions Without Discretization Error

Il paper introduce RiteWeight, un algoritmo di ripesatura iterativa e randomizzata delle traiettorie che permette di stimare distribuzioni stazionarie accurate in dinamica molecolare senza errori di discretizzazione, correggendo efficacemente dati non convergenti sia per stati di equilibrio che non di equilibrio.

Sagar Kania, Robert J. Webber, Gideon Simpson, David Aristoff, Daniel M. Zuckerman2026-04-03🔬 physics

PI-JEPA: Label-Free Surrogate Pretraining for Coupled Multiphysics Simulation via Operator-Split Latent Prediction

Il paper presenta PI-JEPA, un framework di pre-addestramento senza etichette per simulazioni multiphysics accoppiate che utilizza la previsione latente mascherata su campi di parametri non etichettati e la regolarizzazione dei residui PDE per ridurre drasticamente il numero di simulazioni etichettate necessarie per addestrare surrogati neurali accurati.

Brandon Yee, Pairie Koh2026-04-03🤖 cs.LG

A Self-Evolving Agentic Framework for Metasurface Inverse Design

Il paper presenta un framework agenziale auto-evolutivo che, accoppiando un agente di codifica con artefatti di abilità in evoluzione e un valutatore deterministico basato su simulazioni fisiche, permette di accumulare e riutilizzare competenze specifiche per il solver nel design inverso delle metasuperfici, migliorando significativamente il successo e l'efficienza dei flussi di lavoro senza modificare i pesi del modello o il motore fisico sottostante.

Yi Huang, Bowen Zheng, Yunxi Dong, Hong Tang, Huan Zhao, S. M. Rakibul Hasan Shawon, Hualiang Zhang2026-04-03🔬 physics

Transformer self-attention encoder-decoder with multimodal deep learning for response time series forecasting and digital twin support in wind structural health monitoring

Questo studio presenta un nuovo metodo basato su trasformatori e apprendimento profondo multimodale per la previsione della risposta strutturale e il monitoraggio della salute delle infrastrutture eoliche, che supera i limiti delle tecniche tradizionali grazie alla sua capacità di adattarsi a condizioni ambientali variabili e di funzionare come un gemello digitale su dati reali del ponte di Hardanger.

Feiyu Zhou, Marios Impraimakis2026-04-03🤖 cs.LG