1241 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 presenta un metodo che utilizza una rete neurale per proiettare dati provenienti da diversi bacini metastabili su una varietà a bassa dimensionalità, generando variabili collettive ottimali che permettono un campionamento efficiente e una chiara rappresentazione del profilo di energia libera anche per processi chimici complessi a più stadi.
Questo studio propone un approccio bayesiano di Langevin per quantificare simultaneamente le dinamiche deterministiche e stocastiche nei sistemi complessi, applicandolo con successo all'analisi del blackout del 1996 in Nord America per rivelare come un cambiamento permanente nello stato della rete sia avvenuto due minuti prima dell'evento scatenante ufficiale.
Questo articolo presenta un metodo per derivare il modello esatto del continuum elastico di qualsiasi rete discreta di molle basandosi esclusivamente sulla sua geometria e topologia, permettendo di prevedere con precisione le proprietà meccaniche, inclusi i materiali ausetici, senza ricorrere a simulazioni costose.
Utilizzando simulazioni di dinamica molecolare basate su potenziali di apprendimento automatico e tecniche di campionamento avanzate, lo studio fornisce una descrizione dettagliata dei meccanismi dinamici di polimerizzazione e formazione degli anelli nel zolfo liquido attraverso la transizione , ottenendo risultati strutturali in accordo con gli esperimenti.
Il paper propone un metodo basato sulla funzione committore e sul principio variazionale per esplorare l'insieme degli stati di transizione e identificare quantitativamente i gradi di libertà critici nelle transizioni tra stati metastabili, senza richiedere input oltre la conoscenza degli stati iniziale e finale.
Il paper propone "Astral", una nuova funzione di perdita per le reti neurali fisicamente informate basata su maggioranti dell'errore che, a differenza della minimizzazione del residuo, fornisce una stima diretta e affidabile dell'errore, permettendo un controllo preciso della precisione della soluzione e dimostrando una convergenza più rapida e un errore inferiore in vari problemi di equazioni alle derivate parziali.
Questo lavoro propone un approccio completamente automatico per la determinazione di variabili collettive nell'ambito delle simulazioni di campionamento avanzato, basato su reti neurali a grafo che utilizzano direttamente le coordinate atomiche come input, eliminando la necessità di descrittori fisici predefiniti e garantendo l'invarianza rispetto alle simmetrie rilevanti.
Questo lavoro presenta un metodo di campionamento potenziato basato sulla probabilità che combina il calcolo variazionale della funzione committor con una dinamica metadynamica, permettendo un campionamento accurato ed equilibrato delle superfici di energia libera e una caratterizzazione completa di eventi rari, anche in presenza di percorsi reattivi competitivi e stati metastabili intermedi.
Questo studio introduce un approccio innovativo che combina l'adattamento della mesh basato sul residuo (RBAR) con l'addestramento guidato dalla causalità per migliorare l'accuratezza e l'efficienza delle reti neurali informate dalla fisica (PINN) nella simulazione dell'evoluzione di interfacce complesse, come nel caso dell'equazione di Allen-Cahn.
Questo lavoro presenta un quadro teorico per stabilire limiti di errore rigorosi e pratici per l'uso delle reti neurali informate dalla fisica (PINN) nella risoluzione dell'equazione di Fokker-Planck, validando sperimentalmente la loro accuratezza e scalabilità rispetto ai metodi Monte Carlo su sistemi complessi.