133 articoli
Questo articolo propone una formulazione più semplice e intuitiva della funzione di costo per i punti caldi, basata sull'interpolazione preventiva delle tracce, che migliora l'accuratezza e l'affidabilità delle ricostruzioni del movimento assoluto delle placche ottenute tramite il codice optAPM.
Questo lavoro propone un quadro computazionale generale in cui un modulo di attenzione addestrabile ottimizza l'estrazione di informazioni dai sistemi dinamici fisici, migliorando significativamente l'accuratezza predittiva attraverso una misurazione spaziale adattiva.
Gli autori presentano un'estensione a due livelli per il framework di simulazione micromagnetica mumax+ che integra l'accoppiamento coerente e dissipativo tra fotoni di cavità e magnoni in ferromagneti e antiferromagneti, permettendo la simulazione efficiente di fenomeni quantistici complessi come le oscillazioni di Rabi e l'attrazione di livelli senza richiedere trasferimenti dati CPU-GPU o ricompilazioni.
Il paper propone un semplice metodo numerico basato sul campionamento per trasformazione inversa per caricare distribuzioni relativistiche di tipo Maxwelliano, introducendo una distribuzione energetica alternativa a quella di Maxwell-Jüttner e dimostrando tramite test numerici la sua capacità di riprodurre con successo la distribuzione energetica relativistica.
Il paper presenta un metodo numerico basato sul dominio temporale e sul metodo agli elementi finiti discontinui per calcolare con precisione le forze di Casimir in geometrie complesse e materiali reali, sia a temperatura zero che finita, trasformando il problema in una serie di scattering classici guidati da dipoli.
Questo studio presenta un modello surrogato basato su Fourier Neural Operators (FNO) in grado di prevedere in pochi secondi, con accuratezza paragonabile ai metodi Monte Carlo, il trasporto dei protoni e la produzione di neutroni nella terapia protonica, abilitando così sistemi di verifica del raggio in tempo reale.
Il documento presenta un nuovo metodo di regolarizzazione del gradiente che, riformulando implicitamente la condizione di divergenza nulla del campo magnetico, elimina completamente l'errore di divergenza nella magnetoidrodinamica meshless, superando le prestazioni delle tecniche a gradiente vincolato e del codice GIZMO in termini di precisione e riduzione della dissipazione numerica.
Questo articolo analizza la discrepanza tra le dinamiche temporali continue teoriche e le implementazioni sperimentali discrete nelle macchine di Ising basate su feedback di misura, proponendo e verificando sperimentalmente un metodo per ridurre la sensibilità alla scelta degli iperparametri in tali architetture.
Questo studio presenta lo sviluppo di un database di leghe refrattarie e due potenziali interatomici basati sull'apprendimento automatico (tabGAP e NEP) ad alta efficienza computazionale, capaci di simulare con precisione diverse fasi e transizioni in leghe multiphasiche contenenti elementi dei gruppi 4-6 della tavola periodica.
Questo studio sviluppa un potenziale interatomico basato sull'apprendimento automatico per i MXene TiC, dimostrando la sua efficacia nelle simulazioni di irradiazione ionica per guidare l'ingegneria dei difetti e fornendo un modello replicabile per lo studio di altri materiali MXene.
Utilizzando metodi di apprendimento automatico, lo studio rivela che le pareti di dominio cariche nel bismuto bidimensionale sono energeticamente più favorevoli e ospitano stati interfaciali topologici che, a causa dei campi elettrici interni, generano un incrocio accidentale di bande al livello di Fermi, rendendo questo materiale una piattaforma promettente per dispositivi a pareti di dominio.
Il paper presenta GET-SEI, un framework generale basato su apprendimento contrastivo su grafi, decomposizione dinamica estesa e teoria del percorso di transizione, che permette di caratterizzare senza etichette predefinite gli ambienti atomici locali e quantificare i meccanismi di trasporto del litio nell'interfaccia tra elettroliti solidi e anodi metallici per ottimizzare le batterie a stato solido.
Il sistema di intelligenza artificiale agenziale ChemNavigator ha autonomamente scoperto sei regole progettuali statisticamente significative per i fotocatalizzatori organici, integrando il ragionamento dei modelli linguistici con calcoli computazionali per derivare principi chimici interpretabili che superano i limiti degli approcci di machine learning tradizionali.