physics.comp-ph papers | Gist.Science

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.

Fast and Accurate Prediction of Lattice Thermal Conductivity via Machine Learning Surrogates

Dit artikel vergelijkt 15 machine learning-surrogaatmodellen op een grote Phonix-database om de thermische geleidbaarheid van roosters te voorspellen, en onthult dat terwijl MLIP-geïntegreerde modellen uitblinken in interpolatie, diepe neurale netwerken zoals ALiEGNN superieure robuustheid bieden voor extrapolatie buiten de verdeling, waardoor een efficiënte high-throughput screening van thermoelektrische materialen mogelijk wordt tegen een fractie van de rekenkosten van eerste-beginselen-simulaties.

Zeyu Wang, Shuya Yamazaki, Martin Hoffmann Petersen, Masato Ohnishi, Tomiya Yamamoto, Wei Nong, Jianghai Wang, Ruiming Zhu, Masatoshi Hanai, Michimasa Morita, Toyotaro Suzumura, Zekun Ren, Junichiro S (…)2026-05-13🔬 cond-mat.mtrl-sci

Identifying the relevant parameters in design strategies for stable glasses

Deze studie daagt de aanname uit dat het optimaliseren van specifieke fysische eigenschappen zoals hyperuniformiteit of lokale ordening leidt tot verhoogde glasstabiliteit, en toont in plaats daarvan aan dat het dynamische proces van het veranderen van deeltjesdiameters de ware oorzakelijke factor is achter de vorming van ultrastabiele glazen.

Leonardo Galliano, Ludovic Berthier2026-05-13🔬 cond-mat

Machine Learning for neutron source distributions

Dit artikel stelt een nieuwe aanpak voor en evalueert deze, waarbij probabilistische generatieve modellen worden gebruikt om neutronenbronverdelingen te schatten op basis van Monte Carlo-deeltjeslijsten, waardoor na het trainen van de modellen efficiënt en geheugenonafhankelijk bemonsteren mogelijk wordt.

Jose Ignacio Robledo, Norberto Schmidt, Klaus Lieutenant, Jingjing Li, Stefan Kesselheim, Paul Zakalek2026-05-13🔬 physics

Designing Coulombic Contact Interactions between Polarizable Particles through Asymmetry

Dit artikel toont aan dat door het gezamenlijk afstemmen van de grootte-, lading- en diëlektrische asymmetrieën van polariseerbare deeltjes, complexe contactelektrostatische interacties kunnen worden ontworpen zodat ze reduceren tot eenvoudig Coulombisch gedrag, waardoor het ontwerpen van zelfassemblerende materialen met voorspelbare structuren mogelijk wordt.

Yanyu Duan, Zecheng Gan2026-05-13🔬 cond-mat

Bayesian Reasoning for Physics Informed Neural Networks

Dit artikel introduceert een door bewijs gedreven Bayesiaanse formulering van Physics-Informed Neural Networks die gebruikmaakt van een Laplace-benadering om modelbewijs analytisch te berekenen, waardoor efficiënte, steekproefvrije automatische optimalisatie van verliesgewichten en kwantificatie van onzekerheid mogelijk wordt voor diverse partiële differentiaalvergelijkingen.

Krzysztof M. Graczyk, Kornel Witkowski2026-05-12🔬 physics

Acoustics-based Active Control of Unsteady Flow Dynamics using Reinforcement Learning Driven Synthetic Jets

Dit artikel presenteert een framework voor deep reinforcement learning dat akoestische metingen op grote afstand gebruikt als primair feedbacksignaal om synthetische jet-activering aan te sturen, waarmee onstabiele wake-dynamiek achter een cilindrische cilinder succesvol wordt onderdrukt en aanzienlijke verminderingen van uitgestraald geluid en weerstand worden bereikt zonder te vertrouwen op traditionele snelheids- of druksensoren.

Siddharth Rout, Khai Phan, Chao-An Lin2026-05-12🔬 physics.app-ph

Diagnosing phase transitions through time-scale entanglement

Dit artikel introduceert tijdschaalverstrengeling, een nieuwe vorm van verstrengeling tussen imaginaire tijdschalen die toegankelijk zijn via QTTD-diagnostiek (quantics tensor train diagnostics), als een universele en onbevooroordeelde indicator die generiek wordt versterkt nabij faseovergangen en schaal-invariant wordt bij kwantuskritieke punten.

Stefan Rohshap, Hirone Ishida, Frederic Bippus, Leonard M. Verhoff, Anna Kauch, Karsten Held, Hiroshi Shinaoka, Markus Wallerberger2026-05-12🔬 cond-mat

A Quantum Linear Systems Pathway for Solving Differential Equations

Dit artikel presenteert een systematische kwantumroute voor het oplossen van differentiaalvergelijkingen door blokcodering te combineren met Quantum Singular Value Transformation (QSVT), waarbij de toepassing wordt gedemonstreerd op de warmte- en Burgers-vergelijkingen, terwijl tevens kritieke hardware-resourceinschattingen en schaalbaarheidsanalyses worden geboden die de huidige beperkingen en toekomstige richtingen voor het behalen van een kwantumvoordeel benadrukken.

Abhishek Setty2026-05-12⚛️ quant-ph

Consistent Projection of Langevin Dynamics: Preserving Thermodynamics and Kinetics in Coarse-Grained Models

Dit artikel presenteert een op projectie gebaseerd formalisme voor grofkorreliging van ondergedempte Langevin-dynamica dat generator-Extended Dynamic Mode Decomposition (gEDMD) en thermodynamische interpolatie integreert om zowel de thermodynamische als de kinetische eigenschappen van complexe multi-schaalsystemen over verschillende thermodynamische toestanden nauwkeurig te behouden.

Vahid Nateghi, Lara Neureither, Selma Moqvist, Carsten Hartmann, Simon Olsson, Feliks Nüske2026-05-12🔬 physics

Crystal Fractional Graph Neural Network for Energy Prediction of High-Entropy Alloys

Dit artikel stelt een Crystal Fractional Graph Neural Network voor dat lokale analyse van atomaire omgevingen via graf-attentie-mechanismen combineert met globale samenstellingsgegevens om de energie van hoog-entropie legeringen nauwkeurig te voorspellen, waarbij precisie op het niveau van eerste principes wordt bereikt op een dataset van meer dan 1.000 structuren, terwijl de huidige beperkingen bij grote kristalcellen worden erkend.

Takanori Kotama, Yang Huang2026-05-12🔬 physics

← Vorige Volgende →