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.

Machine learning surrogate models of many-body dispersion interactions in polymer melts

Questo lavoro presenta un modello surrogato basato sull'apprendimento automatico, derivato da un'architettura SchNet ottimizzata, che predice con alta accuratezza ed efficienza le interazioni di dispersione a molti corpi (MBD) nei fusi polimerici, superando i limiti computazionali che ne impediscono l'uso su larga scala.

Zhaoxiang Shen, Raúl I. Sosa, Jakub Lengiewicz, Alexandre Tkatchenko, Stéphane P. A. Bordas2026-04-01🤖 cs.LG

Sparse Müntz--Szász Recovery for Boundary-Anchored Velocity Profiles: A Short-Record Roughness Diagnostic in Turbulence

Il documento presenta un quadro di rilassamento convesso sparso basato su una miscela di Műntz–Szász e Jacobi per stimare esponenti di scaling locali da brevi profili di velocità ancorati al bordo, dimostrando che tale diagnostica geometrica a scala finita è in grado di rivelare strutture direzionali e organizzazione anisotropa di basso ordine nelle regioni ad alta vorticità nei dati di turbolenza.

D Yang Eng2026-04-01🌀 nlin

Learning the Exact Flux: Neural Riemann Solvers with Hard Constraints

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.

Yucheng Zhang, Chayanon Wichitrnithed, Shukai Cai, Sourav Dutta, Kyle Mandli, Clint Dawson2026-04-01✓ Author reviewed 🔬 physics