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.

Watts-per-Intelligence Part II: Algorithmic Catalysis

Dit artikel ontwikkelt een thermodynamische theorie voor algorithmische katalyse binnen het Watts-per-Intelligence-raamwerk, waarin wordt bewezen dat snelheidsverbeteringen worden begrensd door algorithmische wederzijdse informatie en dat het installeren van deze informatie een minimale thermodynamische kost met zich meebrengt, wat leidt tot een koppelingsstelling voor de energetische haalbaarheid van dergelijke systemen.

Elija Perrier2026-04-24🔢 math

Accelerating point defect simulations using data-driven and machine learning approaches

Dit artikel biedt een overzicht van data-gedreven en machine learning-benaderingen die kwantummekanische simulaties van puntdefecten in vaste stoffen versnellen, waardoor snelle voorspellingen mogelijk worden met DFT-nauwkeurigheid en een nieuwe horizon wordt geopend voor onderzoek naar defectenergetiek bij eindige temperaturen.

Arun Mannodi-Kanakkithodi, Menglin Huang, Prashun Gorai, Seán R. Kavanagh2026-04-24🔬 cond-mat.mtrl-sci

Uncertainty-Aware Spatiotemporal Super-Resolution Data Assimilation with Diffusion Models

Deze studie introduceert DiffSRDA, een probabilistisch framework dat gebruikmaakt van diffusiemodellen om kostenefficiënte, onzekerheidsbewuste spatiotemporele super-resolutie data-assimilatie voor chaotische vloeistofstromen mogelijk te maken, waarbij een hoge kwaliteit wordt bereikt met lage-resolutie voorspellingen en zonder hertraining bij gewijzigde sensorconfiguraties.

Aditya Sai Pranith Ayapilla, Kazuya Miyashita, Yuki Yasuda, Ryo Onishi2026-04-24🔬 physics

A High-Order Nodal Galerkin Formulation for the Müller Equation: Bypassing Divergence Conformity via Kernel Cancellation

Dit artikel presenteert een hoog-orde nodale Galerkin-formulering voor de Müller-vergelijking die de noodzaak van divergentie-conforme basisfuncties omzeilt door gebruik te maken van de identieke kansellatie van de hypersingulierheid in de kern, waardoor robuuste en nauwkeurige simulaties van elektromagnetische verstrooiing mogelijk worden gemaakt.

Yao Luo2026-04-24🔬 physics

Fractals of Simple Random Walks in Two Dimensions: A Monte Carlo Study

Deze Monte Carlo-studie bevestigt dat de fractale geometrie van clusters van discrete tijd simpele random walks op een tweedimensionaal rooster een marginale "logaritmische fractal" vertoont met een hull-dimensie van 4/3 en een chemische afstand die asymptotisch schaalt als L(lnL)1/4L(\ln L)^{1/4}, in overeenstemming met theoretische voorspellingen voor SLE en het Gaussische vrije veld.

Jiang Zhou, Ziru Deng, Pengcheng Hou2026-04-24🔬 cond-mat