903 papers
Computational physics brengt wiskundige modellen en krachtige computersamen om de natuur te doorgronden, van de dans van subatomaire deeltjes tot de evolutie van het heelal. Op Gist.Science maken we deze complexe inzichten toegankelijk voor iedereen die nieuwsgierig is naar hoe onze wereld werkt, zonder dat je een doctoraat nodig hebt om de essentie te snappen.
Elke nieuwe preprint in dit domein op arXiv wordt door ons zorgvuldig verwerkt. Wij bieden niet alleen een heldere, alledaagse samenvatting van de kernboodschap, maar ook een gedetailleerde technische uitleg voor diegenen die dieper willen graven. Zo sluiten we de kloof tussen geavanceerd onderzoek en breed publiek.
Hieronder vind je de meest recente publicaties uit de wereld van computationele fysica, direct uit de bron van arXiv, geordend en geanalyseerd voor jouw gemak.
Dit artikel onderzoekt een alternatieve padvindende aanpak die gebruikmaakt van het A*-algoritme om de parameter voor minimale-gewicht-matching-centrosymmetrie te berekenen, en biedt een mogelijke oplossing voor de tekortkomingen die zijn geïdentificeerd in bestaande methoden voor moleculair-dynamica-analyse.
Dit artikel presenteert een geünificeerde gaskinetische golf-deeltjesmethode (UGKWP) voor het simuleren van meerfasige mengsels van twee gassoorten die de soort-specifieke snelheids- en temperatuurverschillen van continuüm tot verdunde regimes nauwkeurig vastlegt door een gecorrigeerd evenwichtsmodel, een op Shakhov gebaseerde Prandtl-getalcorrectie en verbeterde deeltjestransportmechanismen te integreren, terwijl het sterke overeenkomst met DSMC-resultaten voor hypersonische stromingen aantoont.
Deze studie combineert DFT-berekeningen op basis van eerste principes met experimenten met gloeien bij ultrahoge druk om aan te tonen dat siliciumdiffusie in galliumnitride uiterst beperkt is vanwege onaanvaardbaar hoge activeringsbarrières, waardoor de stabiliteit van het materiaal voor precieze dotering in geavanceerde elektronische toepassingen wordt bevestigd.
Deze studie toont aan dat machine-lerende krachtvelden, getraind op gekoppeld-clustergegevens en versterkt door delta-learning en ladingsbewuste benaderingen om lange-afstandseffecten en datalimietten aan te pakken, een superieure nauwkeurigheid bereiken bij het voorspellen van fonon-dispersies en anharmonische vibratie-eigenschappen voor diamant en lithiumhydride in vergelijking met traditionele dichtheidsfunctionaaltheorie.
Onderzoekers hebben voor het eerst een universele quantumcomputer van 50 qubits gesimuleerd op Europa's exascale-supercomputer JUPITER door gebruik te maken van zijn heterogene GH200-architectuur via drie sleutelinnovaties: uitgebreid geheugengebruik via CPU-GPU-verbindingen, adaptieve data-encoding en een netwerkverkeersoptimizer die in real-time werkt, waarmee een snelheidswinst van 16,6 keer ten opzichte van eerdere records werd bereikt.
Dit artikel toont aan dat het integreren van labelprojectie en een nieuw inbeddingsnetwerk in conditionele generatieve adversariale netwerken de efficiëntie en nauwkeurigheid van het inverse ontwerpen van plasmonische nanostructuren op basis van extinctie-dwarsdoorsnedespectra aanzienlijk verbetert, met een foutreductie van een orde van grootte en snellere convergentie over verschillende architecturen.
Dit artikel presenteert een door de fysica geïnformeerd convolutioneel neurale netwerken-kader dat nauwkeurig snelheidsvelden op porieniveau in complexe poreuze media voorspelt door fysieke beperkingen in het trainingsproces te integreren, waardoor een aanzienlijke versnelling van Lattice-Boltzmann-simulaties mogelijk wordt gemaakt door verbeterde beginvoorwaarden.
Dit artikel toont aan dat multimodale grote taalmodellen Miller-indices effectief kunnen benutten als gestructureerde latente variabelen om redenering over breukgeometrie uit te voeren, waarbij ze in geïdealiseerde scenario's betrouwbare hypotheses voor vlakken kunnen afleiden en dergelijke representaties correct verwerpen wanneer de onderliggende fysica deze niet ondersteunt, en dit over diverse materiaalklassen heen.
Dit artikel introduceert Lumina, een modulier Python-gebaseerd raamwerk dat gefragmenteerde multischaal materiaaldata voor extreme aero-chemo-thermomechanische regimes verenigt tot een gecentraliseerd, door AI verrijkt ecosysteem om experimenteel ontwerp te stroomlijnen, chemisch gedrag te valideren en voorspellende modellering te verbeteren voor geavanceerde defensie- en ruimtevaarttoepassingen.
Dit artikel introduceert een windgerelateerd versterkingsleerframework voor olfactorische navigatie in turbulente omgevingen, waarbij wordt aangetoond dat een agent die uitsluitend de tijd sinds de laatste geurdetectie en een lokaal geschatte windrichting gebruikt, traditionele strategieën kan overtreffen en zijn gedrag kan aanpassen op basis van de kwaliteit van de windschatting, zowel bij gemiddelde wind als bij isotrope turbulentie.