1233 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.
Il paper stabilisce una teoria di prima principi delle funzioni di Wannier nel vuoto che unifica le descrizioni tight-binding e quasi-libere alle interfacce solido-vuoto, permettendo calcoli predittivi di fotoemissione senza potenziali semiempirici e rivelando correzioni oltre l'approssimazione di Born del primo ordine in materiali come grafene e h-BN.
Il paper presenta auto-WHATMD, un algoritmo automatizzato che utilizza la distanza di trasporto ottimale e il ricottura simulata per identificare in modo efficiente i residui proteici più discriminativi e informativi confrontando traiettorie di dinamica molecolare ad alta dimensionalità.
Questo articolo presenta gli "Excited Pfaffians", un'architettura di reti neurali che, combinata con il campionamento di importanza multi-stato, permette di rappresentare efficientemente e con alta precisione molteplici stati eccitati e superfici di energia potenziale in un'unica funzione d'onda, superando i limiti computazionali dei metodi precedenti.
Questo articolo presenta un framework basato su una rete neurale convoluzionale unidimensionale (1D-CNN) che ottimizza l'analisi in tempo reale dei dati di risonanza magnetica otticamente rilevata (ODMR) dei centri azoto-vacanza nel diamante, offrendo maggiore velocità, accuratezza e robustezza rispetto ai metodi di fitting non lineare convenzionali, specialmente in condizioni di basso rapporto segnale-rumore.
Questo lavoro estende con successo l'approccio di backflow delle reti neurali ai materiali solidi *ab-initio*, introducendo una strategia di potatura a due stadi che garantisce scalabilità e stato dell'arte nella precisione per sistemi periodici complessi come catene di idrogeno, grafene e silicio.
Gli autori sviluppano un potenziale elettronico atomistico scalabile che, superando i limiti computazionali dei calcoli di prima principi, permette di modellare con precisione l'accoppiamento elettrone-fonone e il trasporto elettronico in sistemi a reticolo di moiré di grandi dimensioni, come il grafene bilayer torcido, rivelando un aumento della resistività di due ordini di grandezza al diminuire dell'angolo di torsione.
Questo articolo presenta una dimostrazione riproducibile di un flusso di lavoro scientifico assistito dall'intelligenza artificiale, che utilizza problemi di riferimento canonici in fisica e matematica per validare l'efficacia dell'AI come "copilota" affidabile nella derivazione, implementazione e verifica di risultati scientifici.
Lo studio dimostra che una rete ipotetica di 175 sensori di pressione sul fondale marino, combinata con un'inversione bayesiana che separa calcoli offline e assimilazione online, consente di generare previsioni probabilistiche di tsunami in tempo reale con alta precisione nella zona di subduzione di Cascadia, nonostante la scarsità di osservazioni offshore.
Lo studio dimostra che, in CrSb e MnTe, le fluttuazioni termiche inducono una persistenza dei momenti magnetici locali e un ripristino graduale della degenerazione di spin di Kramers, con effetti distinti sulla struttura elettronica e sul trasporto di spin nei materiali metallici rispetto a quelli semiconduttori.
Questo studio propone un nuovo framework CAE-NODE che combina autoencoder convoluzionali e equazioni differenziali neurali per creare un modello riduttivo in grado di simulare con alta precisione e basso errore l'evoluzione temporale di fiamme controcorrente transitorie bidimensionali.