physics.comp-ph

Machine Learning for Electron-Scale Turbulence Modeling in W7-X

Questo articolo presenta un modello ridotto guidato dalla fisica e dal machine learning per la previsione del flusso di calore della turbolenza del gradiente di temperatura elettronica (ETG) nel stellaratore Wendelstein 7-X, il quale raggiunge un'elevata accuratezza attraverso l'apprendimento attivo e l'interpolazione radiale, ma rivela che una singola formulazione indipendente dal raggio è insufficiente per catturare la fisica del trasporto dipendente dalla geometria del dispositivo.

Exterior complex scaling enables physics-informed neural networks for quantum scattering

Questo lavoro dimostra che la scalatura complessa esterna trasforma le funzioni d'onda di scattering non decrescenti in forme a decadimento esponenziale, consentendo alle reti neurali informate dalla fisica di risolvere accuratamente problemi di scattering nucleare per la prima volta e aprendo la strada a problemi inversi efficienti e alla modellazione di reazioni complesse.

Capturing non-Markovian dynamics in non-equilibrium stochastic systems using flow matching

Questo articolo introduce un metodo di flow matching generativo che cattura accuratamente gli effetti non-Markoviani e non-Gaussiani nella dinamica stocastica delle particelle a breve termine, superando i tradizionali modelli di Dean-Kawasaki regolarizzati nella previsione dei momenti statistici e dei tempi di primo passaggio.

Six Open Questions in Machine-Learned Interatomic Potential Foundation Models

Questo articolo definisce i potenziali interatomici basati sull'apprendimento automatico (MLIP) fondamentali e articola sei questioni aperte critiche che si prevede guideranno la ricerca all'avanguardia nel campo.

Physics-constrained Gaussian Processes for Predicting Shockwave Hugoniot Curves

Tricriticality and chaos in a generalized Allee-logistic map

Questo articolo introduce una mappa Allee-logistica generalizzata che colma il divario tra transizioni di estinzione continue e discontinue, rivelando la tricriticità con relazioni di scala universali e dimostrando che l'effetto Allee sopprime l'insorgenza del caos.

Learning and Inferring Multiphase Flow Dynamics in Porous Media using Scientific Machine Learning: Application to the "FluidFlower" CO2 Injection Experiment

Questo articolo presenta un framework di apprendimento automatico scientifico che combina un surrogato basato su reti neurali convoluzionali con l'inferenza bayesiana per prevedere e calibrare efficientemente la dinamica del flusso multifase di CO2-salamoia in mezzi porosi, dimostrando miglioramenti significativi nell'identificazione dei parametri e nell'accuratezza della simulazione rispetto ai metodi tradizionali utilizzando dati sperimentali ad alta risoluzione "FluidFlower".

A tensor-train multidimensional inverse Laplace transform

Questo articolo introduce una formulazione tensor-train per la trasformata inversa di Laplace multidimensionale che supera la maledizione della dimensionalità riducendo la complessità computazionale da esponenziale a polinomiale attraverso approssimazioni e contrazioni tensoriali a basso rango, dimostrando la sua efficacia su varie distribuzioni multivariate.

Wall Shear Stress Reconstruction from Concentration: Differentiable Physics and Physics-Informed Neural Networks

Questo studio dimostra che, mentre le reti neurali informate dalla fisica (PINN) possono ricostruire lo sforzo di taglio a parete solo quando sono disponibili misurazioni vicino alla parete, un framework di fisica differenziabile basato sull'ottimizzazione vincolata alle PDE recupera con successo uno sforzo di taglio a parete accurato in diversi scenari di misurazione, sia in flussi cardiovascolari canonici che specifici per il paziente.

Robust and efficient configurational molecular sampling via Langevin Dynamics