1494 papers
In het veld van statistische mechanica zoeken onderzoekers naar de verborgen patronen die het gedrag van enorme groepen deeltjes verklaren. Van de vloeibaarheid van water tot het magnetisme van een kompasnaald, deze discipline legt de brug tussen de willekeurige beweging van atomen en de voorspelbare eigenschappen van alledaagse materialen. Het is de taal van thermodynamica en entropie, vertaald naar wiskundige modellen die complexe systemen begrijpelijk maken.
Op Gist.Science maken we deze inzichten toegankelijk door elke nieuwe preprint in deze categorie direct te verwerken zodra deze verschijnt op arXiv. Onze team analyseert elk artikel om zowel een heldere, begrijpelijke samenvatting als een gedetailleerde technische uitleg te bieden, zodat onderzoekers en geïnteresseerden de kern van het werk snel kunnen doorgronden. Hieronder vindt u de meest recente bijdragen uit dit dynamische onderzoeksveld.
Dit artikel toont aan dat een Hamiltoniaan die afhankelijk is van het dichtheidsverschil, gekenmerkt door een emergente chirale symmetrie, twee verschillende klassen van quantum-veel-deeltjes-littekens herbergt—een ladingsdichtheidsgolf-geordende litteken en een randtoestand-litteken—die robuuste thermalisatie-onderbrekende dynamiek vertonen.
Dit artikel toont aan dat vrije en interagerende veeldeeltjessystemen isospectraal kunnen zijn, maar fundamenteel verschillende fasestructuren en dynamieken van operatorcomplexiteit kunnen vertonen, verbonden door een niet-lokale unitaire transformatie die lokale operatoren afbeeldt op uitgebreide veeldeeltjelsnoeren.
Dit artikel stelt een rigoureuze ondergrens vast voor de entropieproductie per oscillatieperiode voor stochastische systemen die de Oberreiter-Barato-Seifert-conjectuur verfijnt door een mode-uniformiteitsfactor op te nemen om rekening te houden met gelokaliseerde eigenmodi, terwijl het ook methoden biedt om deze factor uit gegevens te schatten en aantoont dat translatie-invariante ringsystemen de grens verzadigen.
Dit artikel stelt voorwaarden vast waaronder translatie-invariante Gaussische kwantum cellulaire automata lokaal normale veel-deeltjes bosonische roostertoestanden met een begrensde deeltjesdichtheid drijven naar thermalisatie bij oneindige temperatuur, gebruikmakend van een nieuwe veel-deeltjes generalisatie van de Riemann-Lebesgue-lemma om lokale Weyl-operator verwachtingswaarden te begrenzen.
Dit artikel으로 toont aan dat de aanname van statistisch onafhankelijke thermische fluctuaties in de fluctuatie-elektrodynamica uiteenvalt bij subnanometrische scheidingen door de hybridisatie van oppervlaktevelden, wat leidt tot significante kruiscorrelaties die de voorspellingen voor radiatieve warmteoverdracht voor polaire materialen substantieel wijzigen.
Dit artikel stelt voor dat het Duale Model van Vloeistoffen de macroscopische en mesoscopische gedragingen overbrugt door aan te tonen hoe de interactie tussen vaste-achtige moleculaire aggregaten en rooster-excitaties een geprivilegieerde tijlpijl vestigt in dissipatieve processen, ondanks het feit dat de onderliggende interactie tijdelijk reversibel blijft.
Dit artikel vestigt rigoureus de thermodynamische consistentie van het dissipatieve Diósi-Penrose-collapsmodel in het sterk niet-Gaussische regime door een nieuwe exacte pseudo-spectrale simulatiebenadering te hanteren om aan te tonen dat het systeem zich instelt op een niet-evenwichtige stationaire toestand met een asymptotische niet-Gaussianiteit die schaalt als de kubus van de dissipatieparameter, waardoor het onfysische opwarmingsprobleem wordt opgelost terwijl de noodzaak van exacte numerieke methoden voor het vastleggen van kritieke distributietails wordt bevestigd.
Deze studie onthult dat vroege psychose niet wordt gekenmerkt door een verlies van kritiek-achtige hersendynamiek, maar door een systematische reorganisatie van schaleringsexponenten binnen een behouden schaalinvariante regime, zoals aangetoond door het combineren van fenomenologische renormalisatiegroep, vermogensspectrale dichtheid en detrended fluctuatieanalyse op rusttoestand fMRI-data.
Dit artikel introduceert "drift-diffusion matching", een raamwerk voor het trainen van asymmetrische continue-tijd recurrente neurale netwerken om willekeurige nietlineaire stochastische differentiaalvergelijkingen getrouw in te bedden binnen laagdimensionale latente manifolden, waardoor de attractor-netwerktheorie wordt uitgebreid voorbij het evenwicht om complexe biologische dynamica zoals associatieve en episodische geheugen te modelleren.