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 Neural-ISAM, een hybride machine learning-methode die ter plekke dynamisch ingeknipte gebieden van adaptieve tabulatie-databases vervangt door getrainde neurale netwerken om de geheugenvereisten aanzienlijk te verminderen terwijl de nauwkeurigheid wordt behouden bij grootschalige eddy-simulaties van complexe turbulente vlammen.
jNO is een geïntegreerde, JAX-native bibliotheek die het trainen van neurale operatoren en fundamentele modellen stroomlijnt door datagedreven en op natuurkunde gebaseerde benaderingen te integreren in één systeem voor symbolische traceerbaarheid, waardoor naadloze overgangen mogelijk zijn tussen operatorregressie, mesh-bewuste residu-evaluatie en door partiële differentiaalvergelijkingen beperkte optimalisatie zonder code te herschikken.
Dit artikel introduceert stochastische tensorcontractie als een uiterst efficiënt computationeel primitief dat de kosten van tensoroperaties van hoge orde in ab initio kwantumchemie verlaagt, en hierdoor de gekoppelde-clusterteorie in staat stelt chemische nauwkeurigheid te bereiken met schaling op het niveau van het middenveld en aanzienlijk beter presteert dan bestaande lokale-correlatiebenaderingen, zowel wat betreft snelheid als fout.
Dit artikel introduceert CarCrashNet, een grote open-source benchmark met meer dan 14.000 simulaties van crashcomponenten en 825 volledige voertuigcrashsimulaties, samen met CrashSolver, een hiërarchische neurale solver die is ontworpen om datagedreven, door AI aangedreven voorspelling van structurele crashes en reproduceerbaar onderzoek op het gebied van voertuigveiligheid mogelijk te maken.
Dit artikel presenteert een verenigd raamwerk voor het oplossen van diverse NP-moeilijke combinatorische optimalisatieproblemen op een Rydberg-kwantum-annealer door ze via lokale lichtverschuivingscodering en een geoptimaliseerd kwantum-annealingprotocol te mappen naar een QUBO-formalisme, terwijl een gegeneraliseerde hardheidsparameter wordt geïntroduceerd om de probleemcomplexiteit te kwantificeren.
Deze studie introduceert een raamwerk voor facet-opgeloste adsorptie-energieverdeling dat gebruikmaakt van machine-geleerde krachtenvelden om 1,4 miljoen adsorptieplaatsen op diverse legeringsoppervlakken te analyseren, waardoor specifieke samenstellingen en oriëntaties worden geïdentificeerd die zowel activiteit als methanolselectiviteit voor CO-hydrogenering optimaliseren.
Dit artikel introduceert een fysisch geïnformeerd framework voor het leren van gereduceerde orde-operatoren dat Equilibrium Neural Operators combineert met QR-gebaseerde discrete empirische interpolatie om de rekentijd voor het trainen en afleiden van 3D-hyperelastische microstructuur-surrrogaatmodellen drastisch te verminderen, terwijl het mechanisch evenwicht wordt gewaarborgd en nauwkeurige spanningsvoorspellingen mogelijk worden gemaakt.
Dit artikel vergelijkt systematisch het Constrained Transport (CT)-systeem en de gemengde divergentie-reinigingsmethoden van Dedner voor astrofysische MHD-simulaties, waarbij wordt aangetoond dat laatstgenoemde aanzienlijke artefacten en onnauwkeurigheden kan opleveren in scenario's met gelokaliseerde magnetische velden of plotselinge veranderingen in de tijdstap, wat erop wijst dat CT over het algemeen nauwkeuriger en betrouwbaarder is, en tegelijkertijd specifieke aanpassingen voorstelt om de robuustheid van divergentie-reiniging te verbeteren.
Dit artikel introduceert een extensie voor onzekerheidskwantificatie voor de KLIFF-pakket binnen het OpenKIM-rahmen, die gebruikmaakt van parallel-getemperde Markov-keten Monte Carlo om onzekerheden te beoordelen die voortvloeien uit zowel parametervariaties als ontoereikendheid van de functionele vorm in interatomaire potentialen, zoals gedemonstreerd aan de hand van een Stillinger–Weber-potentiaal voor silicium.
Dit artikel introduceert een schaalbare, op convexe optimalisatie gebaseerde informatie-matchingbenadering die de Fisher-informatiematrix benut om minimale, hoogwaardige trainingsdata te selecteren voor het nauwkeurig voorspellen van grootheden van belang, waardoor data-schaarste en parameteronidentificeerbaarheid in diverse wetenschappelijke modellering- en actief leertoepassingen worden aangepakt.