1229 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 articolo presenta una nuova tecnica per sviluppare modelli a ordine ridotto per problemi di trasferimento radiativo non lineare nella fisica ad alta densità di energia, combinando la decomposizione ortogonale propria (POD) con le equazioni di quasidiffusione a basso ordine per chiudere il sistema di trasporto dei fotoni.
Questo articolo presenta schemi iterativi multilivello con decomposizione di gruppi per risolvere le equazioni di trasporto di Boltzmann multigruppo, combinando la risoluzione parallela di equazioni ad alto e basso ordine con l'accelerazione di Anderson per migliorare convergenza ed efficienza computazionale.
Questo articolo presenta metodi impliciti approssimati con ridotta memoria per il trasferimento radiativo termico, che utilizzano la decomposizione ortogonale propria (POD) per comprimere i dati di intensità radiativa e diminuire i requisiti di archiviazione nei problemi dipendenti dal tempo.
Questo articolo presenta un metodo di iterazione multilivello basato su un approccio di proiezione non lineare per risolvere problemi di trasporto stocastico binario, utilizzando un algoritmo a ciclo V che combina equazioni di trasporto di ordine superiore con equazioni Yvon-Mertens e di quasidiffusione di ordine inferiore, la cui efficacia è stata verificata attraverso test numerici.
Questo articolo presenta un nuovo schema iterativo multilivello basato su proiezioni non lineari che esegue cicli di iterazione su più passi temporali, combinando l'equazione di trasporto di Boltzmann ad alta ordine con equazioni dei momenti a bassa ordine per risolvere efficientemente problemi di trasferimento radiativo termico.
Questo articolo presenta e valida un metodo computazionale multilivello per il trasferimento radiativo termico che combina l'equazione di trasporto di Boltzmann risolta con il metodo delle caratteristiche lunghe e le equazioni dei momenti chiuse tramite il tensore di Eddington, dimostrandone l'efficacia attraverso studi di raffinamento della mesh e analisi di convergenza sul problema di test Fleck-Cummings.
Questo studio propone una metodologia robusta basata su potenziali di apprendimento automatico polinomiali per esplorare in modo efficiente le strutture cristalline e valutare la stabilità di fase del silicio elementare in condizioni di alta pressione e temperatura finite.
Questo lavoro presenta R-ChFSI, un metodo iterativo basato sui residui per problemi agli autovalori hermitiani sparsi che garantisce una convergenza robusta anche in presenza di prodotti matrice-vettore approssimati, permettendo l'uso di inversi approssimati, aritmetica a bassa precisione e comunicazioni ridotte per ottenere significativi vantaggi computazionali su larga scala.
Questo lavoro presenta un protocollo di quantum annealing inverso che, sfruttando distribizioni iniziali ottimizzate, supera le limitazioni statistiche dei metodi classici per stimare le funzioni di partizione di vetri di spin a basse temperature, riducendo drasticamente l'escalation computazionale e rendendo il processo fattibile su dispositivi quantistici attuali.
Questo studio propone un modello di ordine ridotto basato su un autoencoder e un'equazione differenziale ordinaria neurale, arricchito da un nuovo termine di perdita basato sul gradiente delle variabili latenti, che migliora significativamente l'accuratezza e l'efficienza computazionale nella previsione della dinamica di sistemi reattivi rigidi al di fuori del dominio di addestramento.