physics.comp-ph 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.

Topology optimization of nonlinear forced response curves via reduction on spectral submanifolds

Questo articolo propone un metodo efficiente per l'ottimizzazione topologica della risposta forzata non lineare di sistemi ad alta dimensionalità, come i dispositivi MEMS, sfruttando la riduzione su varietà spettrali invarianti (SSM) per calcolare analiticamente le ampiezze di risposta e le loro sensibilità, permettendo così di ottimizzare parametri critici come l'ampiezza di picco, il comportamento di indurimento/ammorbidimento e la distanza tra biforcazioni.

Hongming Liang, Matteo Pozzi, Jacopo Marconi, Shobhit Jain, Mingwu Li2026-03-17⚡ eess

Disorder to Order Transition in 1D non-reciprocal Cahn-Hilliard Model

Lo studio presenta la fenomenologia del modello di Cahn-Hilliard non reciproco unidimensionale, evidenziando come l'aumento del parametro di non reciprocità $\alpha$ guidi una transizione da stati disordinati con difetti a stati ordinati con onde viaggianti, il cui comportamento finale dipende criticamente dalle condizioni al contorno applicate.

Navdeep Rana, Ramin Golestanian2026-03-17🔬 cond-mat

Mesoscopic Modeling of Structure-Transport Relationships in Dense CNT Films Containing Amorphous Carbon

Questo studio presenta un modello di dinamica molecolare a grana grossa che, integrando l'analisi nodale, rivela come la curvatura, la scarsa aggregazione e la forte connettività delle reti di nanotubi di carbonio, influenzate anche dalla presenza di carbonio amorfo, governino il trasporto elettrico nei film densi.

Yvelin Giret, Filippo Federici Canova, Al-Moatasem El-Sayed, Thomas R. Durrant, Rahul Sen, Harry Luan, Gennadi Bersuker, Alexander L. Shluger, David Z. Gao2026-03-17🔬 cond-mat.mtrl-sci

Nonlinear Unsteady Vortex-Lattice Vortex-Particle Method with Adaptive Wake Conversion for Rotorcraft Aerodynamics

Questo studio presenta un metodo ibrido non lineare e non stazionario che combina il reticolo di vortici e le particelle di vortice con una strategia adattiva di conversione wake, riducendo significativamente i tempi di calcolo per la simulazione aerodinamica dei rotorcraft mantenendo un'elevata accuratezza rispetto a dati sperimentali e simulazioni URANS.

Jinbin Fu, Eric Laurendeau2026-03-17🔬 physics

Cosserat micropolar and couple-stress elasticity models of flexomagnetism at finite deformations

Il paper propone modelli continui non lineari di flessomagnetismo basati sulla teoria di Cosserat e sulle coppie di sforzi, che accoppiano il tensore di micro-dislocazione al vettore di magnetizzazione tramite un invariante di Lifshitz, permettendo di descrivere materiali centrosimmetrici e cubici con un numero ridotto di costanti flessomagnetiche e confermando la fattibilità computazionale attraverso simulazioni numeriche.

Adam Sky, David Codony, Stephan Rudykh, Andreas Zilian, Stéphane P. A. Bordas, Patrizio Neff2026-03-17🔢 math-ph

Predicting the Thermal Conductivity Collapse in SWCNT Bundles: The Interplay of Symmetry Breaking and Scattering Revealed by Machine-Learning-Driven Quantum Transport

Questo studio combina potenziali neuroevolutivi basati sull'apprendimento automatico e la teoria del trasporto di Boltzmann per rivelare come la rottura di simmetria e l'emergere di nuovi canali di scattering inter-tubo, corretti statisticamente tramite la distribuzione di Bose-Einstein, causino il crollo della conducibilità termica nei fasci di nanotubi di carbonio a parete singola.

Feng Tao, Xiaoliang Zhang, Dawei Tang, Shigeo Maruyama, Ya Feng2026-03-17🔬 cond-mat.mes-hall

Assessing generative modeling approaches for free energy estimates in condensed matter

Questo lavoro valuta e confronta diversi approcci di modellazione generativa, come flussi normali e FEAT, per la stima accurata ed efficiente delle differenze di energia libera in sistemi di materia condensata, dimostrando che tali metodi possono superare le tecniche tradizionali in termini di costo computazionale e scalabilità.

Maximilian Schebek, Jiajun He, Emil Hoffmann, Yuanqi Du, Frank Noé, Jutta Rogal2026-03-17🔬 cond-mat.mtrl-sci

Stable Differentiable Modal Synthesis for Learning Nonlinear Dynamics

Questo lavoro propone un metodo di sintesi modale differenziabile e stabile che combina tecniche a variabile ausiliaria scalare con equazioni differenziali ordinarie neurali per apprendere dinamiche non lineari, permettendo l'accesso diretto ai parametri fisici e garantendo la stabilità numerica attraverso gradienti che rispettano potenziali non negativi.

Victor Zheleznov, Stefan Bilbao, Alec Wright, Simon King2026-03-17⚡ eess

Hadamard regularization of open quantum systems coupled to unstructured environments in the Schwinger-Keldysh formalism

Questo articolo presenta un algoritmo di integrazione temporale basato sulla regolarizzazione di Hadamard all'interno del formalismo di Schwinger-Keldysh, che risolve il problema della scalabilità cubica nelle simulazioni di sistemi quantistici aperti accoppiati a ambienti non strutturati, permettendo di catturare efficacemente effetti non markoviani e di rinormalizzazione su scale temporali separate.

Jakob Dolgner2026-03-17⚛️ quant-ph

Distance learning from projective measurements as an information-geometric probe of many-body physics

Questo lavoro propone un metodo di "distance learning" basato su un discriminatore neurale per inferire direttamente le distanze tra stati quantistici da snapshot di misurazioni proiettive, permettendo di identificare fasi della materia, calcolare esponenti critici e analizzare classi di universalità senza ricorrere all'apprendimento di rappresentazioni a bassa dimensionalità.

Oleksii Malyshev, Simon M. Linsel, Fabian Grusdt, Annabelle Bohrdt, Eugene Demler, Ivan Morera2026-03-17⚛️ quant-ph

← Precedente Successivo →