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 articolo propone il metodo di riduzione della dimensionalità CoK-PCA, basato sul co-curtosi, che supera i limiti della PCA tradizionale catturando più accuratamente le dinamiche chimiche localizzate e gli eventi estremi nei dati di combustione, come dimostrato attraverso la riduzione degli errori di ricostruzione nelle simulazioni di accensione spontanea.
Il documento presenta una generalizzazione del metodo FDTD in un contesto senza mesh utilizzando il metodo RBF-FD, analizzandone le proprietà su un semplice problema di prova.
Questo lavoro presenta un'analisi teorica generalizzata del metodo Lattice Boltzmann regolarizzato di Onsager (OReg), dimostrando che esso consente simulazioni termoidrodinamiche non lineari accurate e prive di correzioni esterne su reticoli standard, mitigando gli errori di isotropia e migliorando significativamente la precisione rispetto ai modelli BGK convenzionali.
Questo studio dimostra che nelle transizioni di fase dinamiche dei modelli di Ginzburg-Landau a campo medio, il campo coniugato corretto è la componente pari di Fourier del campo applicato e che le deviazioni dell'ordine parametrico rispetto al periodo critico seguono leggi di scala specifiche (esponenti 1/2, 1/3 e 2/3) dipendenti dalla parità delle armoniche.
Questo lavoro presenta un quadro unificato di operatori neurali vincolati dalla fisica che accelera il metodo DSMC sostituendo il modello VHS con un kernel neurale stocastico per la conservazione degli invarianti fisici e sviluppando un operatore dedicato per la previsione degli angoli di scattering \emph{ab initio}, garantendo così una simulazione ad alta fedeltà con una riduzione dei costi computazionali.
Lo studio dimostra che le statistiche dei livelli energetici di molecole complesse, calcolate con metodi *ab initio*, seguono l'universalità della teoria delle matrici casuali (specificamente l'insieme ortogonale di Gaussiane), confermando che tale quadro teorico è applicabile agli stati fisici reali e prevedendo una transizione verso l'insieme unitario di Gaussiane solo in presenza di campi magnetici estremamente intensi.
Questo studio stabilisce una relazione quantitativa tra adsorbato e cinetica per le transizioni collettive da sdraiato a in piedi nei monolayer molecolari, dimostrando attraverso simulazioni Monte Carlo e un modello analitico che la geometria molecolare e la diffusione sono parametri intrinseci che controllano i tempi di transizione tramite meccanismi emergenti non prevedibili dai singoli passi elementari.
Il lavoro presenta MBD-ML, una rete neurale preaddestrata che predice direttamente le proprietà atomiche necessarie per calcolare le interazioni di dispersione many-body (MBD) in molecole e materiali, permettendo un'integrazione immediata e priva di calcoli elettronici intermedi in qualsiasi codice di struttura elettronica o campo di forza.
Questo lavoro introduce un metodo di mappatura delle caratteristiche generalizzato con termini sorgente, basato su un approccio semi-Lagrangiano e una decomposizione ricorsiva, che dimostra una precisione del terzo ordine e un'elevata risoluzione nella simulazione della magnetoidrodinamica ideale bidimensionale.
Questa rassegna presenta il primo quadro concettuale unificato per l'apprendimento automatico scientifico in idrologia, integrando le diverse famiglie metodologiche emerse per superare la frammentazione attuale e guidare la ricerca futura verso un progresso cumulativo.