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 presenta un modello di stress di sottogriglia non-Boussinesq e numericamente consistente per la simulazione a grandi scale che sfrutta l'assimilazione dei dati e l'apprendimento multi-task per ottenere una convergenza potenziata e previsioni migliorate degli strati limite turbolenti sotto gradienti di pressione avversi rispetto al modello di Smagorinsky dinamico.
Questo articolo dimostra che la combinazione di Neural Ordinary Differential Equations (NODEs) per un'efficace estrapolazione dei dati con la Regressione Simbolica (SR) per il recupero delle equazioni offre un approccio ibrido promettente per la scoperta delle leggi fisiche governanti da dati limitati e rumorosi.
Questo articolo introduce un risolutore a differenze finite nel dominio del tempo esponenziale per simulazioni particle-in-cell che colma il divario tra i metodi standard a differenze finite e quelli spettrali, offrendo un'elevata precisione e una migliore località in 3D, dimostrandone l'efficacia attraverso vari benchmark di interazione laser-plasma.
Questo articolo presenta un risolutore di elettroliti basato su elementi finiti e termodinamicamente coerente, implementato in FEniCSx, che modella accuratamente il trasporto ionico multicomponente incorporando effetti sterici, solvatazione e accoppiamento di pressione, migliorando così la fedeltà fisica e la stabilità numerica rispetto ai quadri classici per sistemi elettrochimici ad alta concentrazione.
Questo studio dimostra che l'irraggiamento di strutture elicoidali ferromagnetiche collineari con luce polarizzata induce una trasmissione con scissione di spin e sopprime la conduttanza termica, migliorando così significativamente le prestazioni spin-termoelettriche e il fattore di merito, in particolare se combinato con il salto a lungo raggio.
Questo articolo confronta i metodi basati sulla proiezione e sul gradiente di scorrimento per la stima delle densità di dislocazioni geometricamente necessarie (GND) nei modelli di plasticità cristallina a elementi finiti, rivelando che, sebbene entrambi si allineino con i trend analitici, il metodo di proiezione sottostima significativamente le GND nei policristalli a meno che non venga migliorato limitando i calcoli solo ai sistemi di dislocazione attivi.
Il documento introduce ELECTRA, una rete tensoriale cartesiana equivariante che sfrutta orbitali gaussiani fluttuanti per predire accuratamente le densità di carica elettronica 3D e accelerare significativamente la convergenza della DFT apprendendo in modo guidato dai dati il posizionamento ottimale degli orbitali.
Questo articolo presenta un nuovo framework basato su processi gaussiani che apprende mappe di Dirichlet-to-Neumann probabilistiche su grafi integrando il calcolo esterno discreto e il recupero ottimale non lineare per imporre leggi di conservazione, consentendo così previsioni accurate e con quantificazione dell'incertezza in applicazioni multifisiche con scarsità di dati come le reti di fratture nel sottosuolo e il flusso sanguigno arterioso.
Il documento presenta LEGO-xtal, un framework generativo di IA basato sulla simmetria che produce rapidamente strutture cristalline diverse corrispondenti a un ambiente locale target combinando strutture iniziali generate dall'IA con l'ottimizzazione basata sull'apprendimento automatico, espandendo con successo un piccolo insieme di allotropi del carbonio in oltre 1.700 candidati praticabili.
Questo articolo presenta un nuovo framework locale per l'identificazione di linee X di riconnessione magnetica tridimensionali e per la stima dei tassi di riconnessione in plasmi turbolenti applicando le linee di biforcazione della visualizzazione dei fluidi e le misurazioni dello strato di taglio magnetico, offrendo un'alternativa efficiente ai metodi globali tradizionali attraverso vari modelli di simulazione.