917 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 studio utilizza potenziali di apprendimento automatico e simulazioni di dinamica molecolare per rivelare come l'anisotropia cristallografica, il tasso di deformazione e la composizione influenzino i meccanismi di deformazione e la risposta meccanica dell'lega refrattaria NbTaTiZr, fornendo indicazioni per la progettazione di leghe ad alte prestazioni.
Il documento presenta un nuovo quadro di ricostruzione inversa che, integrando la teoria della diffusione e modelli di oscillatore di Lorentz, determina con precisione la permittività complessa e la microstruttura topologica di compositi ottici eterogenei a partire da un singolo spettro di estinzione infrarossa, superando i limiti dei metodi lineari convenzionali.
Questo lavoro sviluppa un quadro analitico esatto per la separazione del moto del centro di massa e relativo negli eccitoni bidimensionali anisotropi in campo magnetico, superando le approssimazioni convenzionali per fornire soluzioni non perturbative e rivelare l'influenza critica dell'anisotropia di massa sulla risposta magnetica in materiali come il fosforo nero e il disolfuro di titanio.
Questo studio presenta una piattaforma web interattiva sviluppata per replicare i laboratori di fisica dell'Università St. Xavier's di Kolkata, la quale, secondo il feedback degli studenti, si è rivelata uno strumento efficace e indispensabile per migliorare la comprensione concettuale e la preparazione agli esperimenti fisici reali.
Il paper introduce GABI, un framework che utilizza autoencoder geometrici per apprendere modelli generativi consapevoli della forma dai dati, consentendo l'inversione bayesiana con quantificazione dell'incertezza su sistemi fisici con geometrie complesse senza richiedere la conoscenza delle equazioni governative.
Questo lavoro valuta l'accuratezza del potenziale interatomico universale basato sull'apprendimento automatico (UMA) per simulare 25 diversi droganti nel MoS₂, dimostrando come tale approccio consenta simulazioni di dinamica molecolare ad alta efficienza che catturano fenomeni complessi a costi computazionali ridotti rispetto alla teoria del funzionale densità, abilitando così la progettazione ad alto rendimento di materiali doped per applicazioni tribologiche ed elettroniche.
Il pacchetto open-source Python MDIntrinsicDimension stima la dimensione intrinseca delle traiettorie di dinamica molecolare per rivelare la flessibilità spaziale e le eterogeneità temporali nelle biomolecole, offrendo un complemento ai descrittori geometrici convenzionali.
Questo articolo presenta un approccio di ottimizzazione topologica per progettare la geometria di superconduttori di tipo II, basato sulla teoria di Ginzburg-Landau sotto il gauge di Weyl, al fine di migliorare le prestazioni attraverso un controllo ottimale del flusso magnetico e della densità di corrente.
Questo studio valuta e confronta diverse tecniche di iper-riduzione per modelli agli elementi finiti non lineari, utilizzando librerie open source e benchmark riproducibili, per dimostrare che la scelta del metodo ottimale dipende dal problema specifico e dal metodo di integrazione temporale utilizzato, bilanciando così accuratezza ed efficienza computazionale.
Questo lavoro propone un quadro basato sull'apprendimento automatico che combina regressori statistici e reti neurali vincolate per ricostruire in modo robusto le funzioni di densità spettrale di sistemi quantistici aperti a partire da dati temporali rumorosi.