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.
Questo lavoro introduce il campionamento sfocato, un metodo di post-elaborazione efficiente e rigoroso che risolve le patologie statistiche legate ai nodi e al supporto nel Variational Monte Carlo, garantendo stime robuste e affidabili sia per l'ottimizzazione che per la dinamica temporale di stati quantistici complessi.
Questo lavoro presenta un solver ibrido quantistico-classico basato sull'algoritmo HHL e sulla tomografia dello stato quantistico approssimata, che risolve con successo le equazioni di Navier-Stokes per flussi incomprimibili, superando i colli di bottiglia computazionali classici e validando i risultati su problemi benchmark come il flusso nella cavità trainata dal coperchio e il vortice di Taylor-Green.
Questo lavoro propone e dimostra una strategia di ottimizzazione multi-risultato per circuiti fotonici che aumenta la probabilità di successo nella generazione di stati quantistici non gaussiani, permettendo a un singolo circuito di produrre stati utili attraverso diversi pattern di misurazione.
Il paper propone una strategia di adattamento della griglia basata su wavelet che utilizza un'estrapolazione polinomiale unidimensionale per garantire una trattazione coerente e di alto ordine delle geometrie immerse complesse, permettendo una riduzione robusta e prevedibile dell'errore numerico anche in problemi dinamici con confini in movimento.
Lo studio utilizza simulazioni numeriche dirette per dimostrare che gli effetti termodiffusivi nelle fiamme turbolente di idrogeno-aria povere alterano significativamente la dinamica della superficie della fiamma e le fluttuazioni del tasso di rilascio di calore, intensificando la radiazione acustica a basse frequenze rispetto alle fiamme di metano stabili.
Il documento sostiene che, per realizzare un vantaggio tangibile nella chimica computazionale, gli algoritmi quantistici devono evolvere oltre la simulazione di poche molecole complesse per integrarsi in pipeline ad alto rendimento capaci di gestire calcoli routinari su molecole arbitrarie.
Il documento presenta un metodo numerico stabile ed efficiente per risolvere problemi di scattering acustico multiscatterer, che combina la semplicità implementativa del metodo delle soluzioni fondamentali (MFS) per la costruzione locale di operatori di scattering con un sistema lineare globale ben condizionato risolvibile tramite metodi iterativi accelerati.
Il paper predice l'esistenza di nanotubi di fosfuro di carbonio (NTs) come una nuova classe di materiali unidimensionali stabili che ospitano intrinsecamente fermioni di Dirac e bande piatte al livello di Fermi, offrendo una piattaforma versatile per fenomeni quantistici correlati e applicazioni nella spintronica.
Il paper introduce le Effective Field Neural Networks (EFNN), un'architettura ispirata alla rinormalizzazione che supera le reti neurali standard nella modellazione di sistemi a molti corpi classici e quantistici, garantendo un'eccellente generalizzazione su scale spaziali più ampie senza ulteriore addestramento e una drastica riduzione dei tempi computazionali.
Questo studio analizza l'Information Imbalance nelle rappresentazioni di DeepSeek-V3 e DinoV2 per dimostrare che l'informazione semantica converge attraverso lingue, modalità e architetture, concentrandosi in specifici strati intermedi o finali e mostrando che la prevedibilità direzionale è influenzata dalla scala del modello e dalla profondità degli strati, superando talvolta i modelli multimodali addestrati congiuntamente.