physics.comp-ph

Machine Learning for Electron-Scale Turbulence Modeling in W7-X

本論文は、能動学習と径方向補間を通じて高い精度を実現しつつも、単一の半径に依存しない定式化では装置の幾何学的構造に依存する輸送物理を捉えるには不十分であることを明らかにする、Wendelstein 7-Xステラレータにおける電子温度勾配（ETG）乱流熱流束を予測するための、機械学習駆動型かつ物理ガイド型の低次元モデルを提示する。

Exterior complex scaling enables physics-informed neural networks for quantum scattering

本研究は、外部複素スケーリングが非減衰散乱波動関数を指数関数的に減衰する形式へと変換することを示しており、これにより物理情報に基づいたニューラルネットワークが初めて核散乱問題を正確に解くことが可能となり、効率的な逆問題の解決や複雑な反応モデリングへの道を開くものである。

Capturing non-Markovian dynamics in non-equilibrium stochastic systems using flow matching

本論文は、短時間の確率的粒子力学における非マルコフ的および非ガウス的効果を正確に捉える生成フロー・マッチング手法を紹介するものであり、統計的モーメントおよび第一通過時間の予測において、従来の正則化されたディーン・カワサキ・モデルを凌駕している。

Six Open Questions in Machine-Learned Interatomic Potential Foundation Models

本論文は、基礎的な機械学習原子間ポテンシャル（MLIP）を定義し、この分野における将来の最先端研究を導くと期待される6つの重要な未解決の問いを提示する。

Physics-constrained Gaussian Processes for Predicting Shockwave Hugoniot Curves

Tricriticality and chaos in a generalized Allee-logistic map

本論文は、連続的および不連続な絶滅転移を橋渡しする一般化されたアリー・ロジスティック写像を導入し、普遍的なスケーリング関係を伴う三重点性を明らかにし、アリー効果がカオスの発生を抑制することを実証するものである。

Learning and Inferring Multiphase Flow Dynamics in Porous Media using Scientific Machine Learning: Application to the "FluidFlower" CO2 Injection Experiment

本論文は、高解像度の「FluidFlower」実験データを用いた、従来の解析手法と比較してパラメータ同定およびシミュレーション精度において大幅な改善を示す、畳み込みニューラルネットワークサロゲートとベイズ推論を組み合わせることで多相CO2-塩水流動ダイナミクスを効率的に予測・校正する科学的機械学習フレームワークを提示するものである。

A tensor-train multidimensional inverse Laplace transform

本論文は、低ランクテンソル近似と縮退を用いることで、多次元逆ラプラス変換の計算量を指数関数的から多項式的なものへと低減し、次元の呪いを克服するテンソルネットワーク（tensor-train）形式を導入し、様々な多変量分布におけるその有効性を実証するものである。

Wall Shear Stress Reconstruction from Concentration: Differentiable Physics and Physics-Informed Neural Networks

本研究は、物理情報に基づいたニューラルネットワーク（PINN）は、壁近傍の測定値が利用可能な場合にのみ受動スカラーデータから壁せん断応力を再構成できる一方で、偏微分方程式（PDE）制約最適化に基づく微分可能な物理フレームワークは、標準的な流れおよび患者固有の心血管流の両方における多様な測定シナリオにおいて、正確な壁せん断応力を正常に復元できることを示している。

Robust and efficient configurational molecular sampling via Langevin Dynamics