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 introduceert een nieuw op natuurkunde gebaseerd actief leeralgoritme dat residuen van partiële differentiaalvergelijkingen benut om dataselectie te sturen, waardoor de data-efficiëntie van het trainen van neurale operatoren voor het oplossen van partiële differentiaalvergelijkingen aanzienlijk wordt verbeterd terwijl er een inductieve bias van de natuurkunde in het proces wordt ingebracht.
Deze studie presenteert een uitgebreid numeriek raamwerk dat is gebaseerd op zelfconsistent fononrenormalisatie en vierde-orde anharmoniciteit om de thermische en thermodynamische eigenschappen van isolatoren nauwkeurig te berekenen, waarbij de beperkingen van traditionele perturbatieve methoden worden overwonnen door fononen te behandelen als temperatuurafhankelijke quasideeltjes.
Dit artikel vestigt de eerste niet-asymptotische orakelcomplexiteitsgrenzen voor schatting van de genormaliseerde constante op basis van geanimeerde belangstelling zonder te vertrouwen op isoperimetrische aannames en stelt een nieuwe reverse diffusion-sampler voor om de beperkingen van traditionele geometrische interpolatie in multimodale situaties te overwinnen.
Dit artikel introduceert een transparant, coderingsonafhankelijk raamwerk dat gebruikmaakt van resource-tellingen en hardware-benchmarks om aan te tonen dat het bereiken van vroege quantum-utility voor het Capacitated Vehicle Routing Problem (CVRP) momenteel onwaarschijnlijk is op NISQ-apparaten, waarbij een massaal qubit-voordeel voor hogere-orde coderingen ten opzichte van directe QUBO-mappings wordt blootgelegd, terwijl tegelijkertijd wordt gesuggereerd dat innovatieve probleemdecompositie essentieel is voor toekomstig quantum-voordeel.
Dit artikel introduceert een datagedreven raamwerk dat microstructuur modelleert als een stochastisch proces om een laagdimensionale, invertibele materiaalmanifold te construeren, waarmee verwerkingscondities succesvol worden gekoppeld aan microstructurele uitkomsten en versnelde, gesloten-lus materiaalontwerp wordt mogelijk gemaakt.
Dit artikel introduceert een kinetische sluiting voor de gefilterde Boltzmann--BGK-vergelijking die turbulente subfiltereffecten modelleert via een gegeneraliseerde botsingsoperator zonder schescheiding of een Smagorinsky-achtige ansatz te vereisen, en toont in numerieke tests verbeterde stabiliteit en verminderde dissipatie aan in vergelijking met klassieke benaderingen.
Dit artikel introduceert de Walsh-Hadamard-neurale operator (WHNO), een nieuwe architectuur die Walsh-Hadamard-transformaties gebruikt om partiële differentiaalvergelijkingen met discontinuïteiten in de coëfficiënten effectief op te lossen door de beperkingen van op Fourier gebaseerde methoden te overwinnen, en toont aan dat het combineren van WHNO met Fourier-neurale operatoren in een ensemble aanzienlijk superieure nauwkeurigheid oplevert bij het vastleggen van zowel scherpe interfaces als gladde kenmerken.
Het artikel introduceert SCULPT, een interactief webgebaseerd machine learning-platform dat geavanceerde technieken zoals UMAP en adaptieve confidence scoring gebruikt om hoogdimensionale multi-deeltjes coincidentiegegevens van COLTRIMS-experimenten te analyseren, waardoor efficiënte ontdekking van zeldzame gebeurtenissen en correlaties in de atoom- en moleculenfysica mogelijk wordt.
NORi is een nieuw, op natuurkunde gebaseerd machine learning-parameterisatieschema dat neurale gewone differentiaalvergelijkingen combineert met een Richardson-getal-afhankelijke sluiting om turbulentie en instroomdynamica in de oceaanbodemlaag in klimaatmodellen nauwkeurig en stabiel te simuleren, waarbij het traditionele methoden overtreft terwijl het minimale trainingsdata vereist en langetermijn numerieke stabiliteit garandeert.
Dit artikel toont aan dat netwerktopologie fungeert als een herconfigureerbaar ontwerpparameter voor taakspecifieke berekening, waardoor programmeerbare controle van chaotische dynamiek in neurale circuits mogelijk wordt via randherschikking om de prestaties van reservoircomputing te optimaliseren.