1223 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 documento presenta PICS, un nuovo solver chiuso per equazioni differenziali accoppiate che garantisce l'ammissibilità strutturale attraverso una varietà geometrica e ridistribuisce dinamicamente l'addestramento verso le zone critiche, ottenendo risultati più accurati ed efficienti rispetto ai metodi esistenti.
Il paper propone modelli di diffusione condizionali a forma chiusa per l'assimilazione dei dati, che sfruttano la stima della densità di probabilità tramite kernel per operare efficacemente in contesti "black-box" e superano i filtri tradizionali come l'Ensemble Kalman e il Particle Filter nella gestione di sistemi non lineari e distribuzioni non gaussiane.
Il paper dimostra che l'impiego di un operatore forward appreso tramite Fourier Neural Operator, risolto con un approccio basato su gradienti e differenziazione automatica, costituisce un metodo efficiente e accurato per affrontare il problema inverso nella tomografia fotoacustica, offrendo un'alternativa computazionalmente vantaggiosa rispetto ai metodi convenzionali.
Il paper introduce SPINONet, un'architettura di rete neurale ispirata alla neuroscienza che utilizza neuroni a impulsi (spiking) per ridurre il consumo energetico e la ridondanza computazionale nell'apprendimento di operatori fisici per la meccanica computazionale, mantenendo al contempo prestazioni predittive elevate e la differenziabilità necessaria per le equazioni differenziali.
Lo studio dimostra che l'uso di due impulsi laser co-propaganti e sincronizzati in fase, con una separazione temporale pari a un quarto della lunghezza d'onda del plasma, permette di amplificare l'ampiezza dell'onda di wakefield fino a tre volte rispetto a quella generata da un singolo impulso.
Questo lavoro presenta un'implementazione unificata ed eterogenea della TDDFT in tempo reale basata su orbitali atomici numerici nel pacchetto ABACUS, che sfrutta tre livelli di astrazione per accelerare le simulazioni su GPU, garantendo elevate prestazioni e scalabilità per lo studio della dinamica elettronica su larga scala.
Questo articolo presenta un metodo sistematico basato su mappature esatte, interpolazioni transfinite e l'uso di espressioni vincolate della Teoria delle Connessioni Funzionali (TFC) per imporre con precisione assoluta le condizioni al contorno di Dirichlet, Neumann e Robin su domini quadrilateri con confini curvi, risolvendo anche le vincoli di compatibilità agli angoli e integrando tale approccio con le Extreme Learning Machines per ottenere errori numerici al livello della precisione della macchina.
Il paper introduce AMELI, un pacchetto Python che calcola con precisione assoluta gli elementi di matrice angolari per gli ioni lantanidi utilizzando un approccio diretto basato su determinanti di Slater, fornendo così agli sperimentatori strumenti pronti all'uso senza la necessità di implementare complesse teorie sottostanti.
Questo lavoro propone un metodo robusto basato sull'analisi di Fourier e sulla classificazione statistica per identificare e distinguere in modo sistematico gli stati chimera da altri regimi dinamici in sistemi di oscillatori accoppiati, dimostrando la sua efficacia su segnali topologici e la sua generalità applicabile a diverse reti complesse.
Il paper introduce un metodo di correzione intermittente a basso costo basato su variabili di Riemann differenziate e un aggiornamento di Newton che, applicato ogni K passi alle equazioni di Eulero, riduce drasticamente gli errori numerici su problemi a lungo termine come il benchmark LeBlanc, raggiungendo la precisione della macchina senza logica specifica per i casi.