1240 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 lavoro estende il modello della Teoria dei Mezzi Porosi per la vertebroplastica percutanea al caso non isotermo, introducendo tre bilanci energetici e relazioni costitutive che, pur trascurando gli effetti capillari, garantiscono coerenza termodinamica e comportamenti fisicamente realistici nelle simulazioni numeriche.
Questo studio presenta un quadro teorico-atomistico basato su un kernel di memoria dipendente dal tempo che, applicato al PMMA, unifica la caratterizzazione della viscoelasticità dei polimeri vetrosi su oltre venti ordini di grandezza di frequenza, dimostrando coerenza quantitativa con dati sperimentali e simulazioni su scale che spaziano dai terahertz ai millihertz.
Questo articolo presenta un nuovo algoritmo Monte Carlo per il trasporto di particelle dipendente dal tempo che utilizza finestre di peso globali automatiche, definite tramite la soluzione di un problema ausiliario ibrido Monte Carlo/deterministico basato sulle equazioni del secondo momento di ordine inferiore (LOSM), per ottenere una distribuzione uniforme delle particelle e migliorare l'efficienza computazionale.
Il lavoro presenta l'approccio SAP-X2C, un hamiltoniano relativistico a due componenti che, mantenendo la semplicità computazionale del metodo X2C a un elettrone, incorpora in modo ottimale gli effetti di cambiamento dell'immagine a due elettroni per garantire un limite termodinamico ben definito e un'accuratezza paragonabile a quella dei metodi a quattro componenti.
Il paper presenta un algoritmo di campionamento di traiettorie di transizione basato su uno shooting unidirezionale che accetta ogni proposta, garantendo l'efficienza e la correttezza statistica attraverso un meccanismo di reweighting, come dimostrato dallo studio della formazione di idrati di clatrato di CO₂ in condizioni difficili da raggiungere con metodi convenzionali.
Questo lavoro presenta un surrogato multitask per le equazioni di stato delle stelle di neutroni che, addestrato su 40.000 modelli, fornisce previsioni certificate e prive di distribuzione per massa, raggio e deformabilità mareale, integrando la classificazione di validità fisica e la stima dell'incertezza tramite Mondrian Conformal Prediction.
Questo studio presenta un framework di machine learning che utilizza l'Operatore di Fourier (FNO) per prevedere in modo efficiente e accurato il flusso stazionario attraverso mezzi porosi, superando i metodi CFD tradizionali in termini di velocità e adattabilità all'ottimizzazione topologica.
Questo studio combina metodi di apprendimento automatico e teoria della struttura elettronica fino al livello CCSD(T) per calcolare con precisione quantitativa l'energia libera di accoppiamento ionico del CaCO₃ in soluzione acquosa, risolvendo finalmente le sfide legate alla previsione termodinamica di sistemi complessi.
Lo studio dimostra che le macchine di Ising basate su oscillatori superano quelle basate su latch bistabili nella risoluzione di problemi di ottimizzazione combinatoria, grazie a dinamiche fisiche che permettono la destabilizzazione selettiva degli stati ad alta energia, a differenza della stabilità lineare uniforme riscontrata nei latch.
Questo studio presenta un modello surrogato basato su un operatore neurale informato dalla fisica (PINO) che accelera di oltre 10.000 volte l'analisi della ritenzione dei dati nei transistor a effetto di campo ferroelettrico verticali (Fe-VNAND) rispetto alle simulazioni TCAD tradizionali, consentendo una rapida ottimizzazione dei dispositivi mantenendo l'accuratezza fisica.