903 件の論文
計算物理学は、複雑な自然現象をコンピューターシミュレーションで解き明かす分野です。実験だけでは観測が難しい宇宙の成り立ちや、分子レベルの微細な動きまで、数式をプログラム化して可視化し、現実のメカニズムを紐解きます。
Gist.Science では、arXiv に公開される計算物理学の最新論文をすべて対象に、専門家による詳細な技術解説と、誰でも理解できる平易な要約を常時提供しています。専門用語に頼らず、研究の核心を伝えることで、この分野の最前線を広く開くことを目指しています。
以下に、arXiv から新たに追加された計算物理学の論文リストを掲載します。最新の研究動向を、それぞれの要約とともにご覧ください。
本論文はマルチスケール注意トランスフォーマー（MSAT）を導入し、包括的な実証的および理論的解析を通じて、注意機構に基づくアーキテクチャが不規則領域における偏微分方程式の求解においてフーリエ領域演算子を上回ることを示すと同時に、物理情報正則化が拡散優勢な問題では性能を向上させる一方でカオス的領域では性能を低下させるという重要なトレードオフを確立することを明らかにする。
本論文は、既存のニューラル演算子ベースラインに対して幾何形状やパラメータにおける分布外一般化性能を優位に達成する点群上の構造保存物理を学習するために、新規の外微分形式フレームワークを活用するデータ効率的なメッシュフリー型ニューラルネットワーク「MEEC-Net」を提案する。
CrystalREPA は、対照目的関数を通じて生成モデルの表現を凍結された汎用機械学習間原子ポテンシャル（MLIP）と整合させることで、生成された結晶の安定性、妥当性、忠実度を向上させるプラグアンドプレイ型フレームワークであり、MLIP の転移有効性は標準的な精度ベンチマークよりもその表現の識別可能性に依存することを明らかにする。
本論文は、保存力学と非二次的散逸の両方を示す系の進化方程式を正確に発見するために、凸な散逸ポテンシャルを通じて熱力学的整合性を強制する深層学習フレームワークである非線形 GENERIC 情報付与ニューラルネットワーク（N-GINNs）を導入する。
本論文は、高解像度データから高忠実度のメッシュベースのシミュレーション解を効率的に再構成する半教師ありニューラルフレームワーク「SuperMeshNet」を導入するものであり、これは補完的学習と帰納的バイアスを活用し、完全教師ありのベンチマークと比較して高解像度トレーニングデータを 90% 少なくして済む。
本論文は、熱力学的に整合的な潜在事前分布、ホモトピーに基づく連続法、およびニューラルネットワークの滑らかさ制約を活用して、メッシュ対応を必要とせずに偏微分方程式制約付き最適化問題を頑健に解くことで、構成則の空間において空間的に変化する材料特性を最適化する弾性ネットワークの逆設計のためのエンドツーエンドのフレームワークを提示する。
本論文は、静的構造から逐次推論や推論時の軌跡データを必要とせずに、高速かつ正確で動的なイオン輸送を予測することを可能にするために、訓練中に原子軌跡を補助モダリティとして活用する非自己回帰学習フレームワークを提案する。
本論文は、既存の検出手法の限界を克服し、結合レイリー振動子ネットワークにおける様々なタイプのキメラ状態を精密に検出・分類するために、正規化された全変動のフーリエ解析と教師なしクラスタリングを組み合わせる新規手法を提案する。
本論文は、空間周波数と回折格子の厚さに基づく逆設計パイプラインにおける適切な前方モデルの選択を導くために、二値回折格子に対する厳密な基準に対して薄要素近似、ビーム伝播、および波伝播法の精度を体系的に評価し、精度マップを生成する。
本論文は、輪郭変形と安定な漸化式を組み合わせることで、任意の実数波数に対する 3 次元ヘルムホルツ方程式のグリーン関数の方位角フーリエモードおよびその微分を効率的かつ高精度に評価するアルゴリズムを提示し、これにより高性能な軸対称音響散乱シミュレーションを可能にする。