1592 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 onderzoek analyseert de stationaire dichtheden en faseovergangen in een asymmetrisch uitsluitingsproces (TASEP) met Langmuir-kinetiek en eindige hulpbronnen, waarbij wordt aangetoond dat de resulterende fasediagrammen significant afwijken van eerdere modellen.
Dit onderzoek presenteert een Reinforcement Learning-raamwerk voor adaptieve navigatie in een tweedimensionaal domein, waarbij wordt aangetoond dat een optimale mate van willekeur en interactie tussen agenten de efficiëntie van het bereiken van een doel (homing) maximaliseert.
Dit artikel onderzoekt het fenomeen van 'uphill transport' (waarbij deeltjesstroom tegen de diffusierichting in gaat) in competitieve drift-diffusiemodellen met volume-uitsluiting en legt de theoretische brug tussen discrete deeltjesmodellen en continue beschrijvingen zoals het Poisson-Nernst-Planck-model.
Deze studie toont aan dat negatieve energetische elasticiteit een fundamentele en universele eigenschap is van polymeerketens, voortvloeiend uit effectieve zacht-repulsieve interacties en beheerst door een gemeenschappelijke schalingsexponent over random, self-avoiding en neighbor-avoiding walk crossovers.
Dit artikel toont aan dat het Family-Vicsek-schalingsraamwerk, dat traditioneel wordt gebruikt voor klassieke oppervlaktegroei, universeel de oneindige-temperatuurdynamica van eendimensionale $SU(N)$ kwantumspin-ketens beschrijft, waarbij onderscheidende ballistische, superdiffusieve en diffusieve transportregimes worden onthuld die worden gekenmerkt door specifieke dynamische exponenten die worden bepaald door de integrabiliteit en symmetie-eigenschappen van het systeem.
Dit artikel generaliseert exponentiële willekeurige graafmodellen door paarwijze linkinteracties te introduceren om een gesloten vorm van de renormalisatiegroep-transformatie voor netwerken met een lage coördinatie af te leiden, waarbij de formele equivalentie van geïnduceerde wanorde aan tijd-omgekeerde drift-diffusie wordt aangetoond en de langgolflengte-onrelevantie van bepaalde conditioneringseffecten voor toepassingen in sociale, neurale en inferentieproblemen wordt vastgesteld.
Dit artikel introduceert Tensor Network Dynamical Message Passing (TNDMP), een nieuw raamwerk gebaseerd op "Susceptible-Induced Factorization" dat de afweging tussen computationele efficiëntie en voorspellende nauwkeurigheid in epidemische modellering oplost door zowel exacte als schaalbare algoritmen aan te bieden die bestaande heuristieken overtreffen terwijl zij deze wiskundig verenigen als laag-orde limieten.
Dit artikel lost de klassieke Gibbs-paradox op zonder een beroep te doen op de kwantum-correctie door het principe van gelijke waarschijnlijkheid toe te passen binnen een informatief kader dat de Gibbs-entropie interpreteert als Shannon-entropie, waardoor de link tussen informatie en extraheerbare arbeid in mengprocessen van gassen wordt verduidelijkt.
Dit artikel onderzoekt een zesde-orde convectief-viskeuze Cahn-Hilliard-vergelijking afgeleid van een gemodificeerd thermodynamisch potentiaal, waarbij exacte statische en reizende golfoplossingen worden afgeleid en hun afhankelijkheid van systeemparameters wordt geanalyseerd.
Deze studie presenteert een algoritme voor de automatische structurele zoektocht naar tensornetwerktoestanden, inclusief entanglement renormalization, die lokale structuren optimaliseert op basis van variationele energie om de nauwkeurigheid in het representeren van niet-uniforme verstrengelde toestanden te verbeteren, met name wanneer geïnitialiseerd met bestaande ontwerpmethoden zoals de strong disordered renormalization group.