879 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 raamwerk voor het construeren van real-time, structuurbehoudende neurale surrogaten voor partiële differentiaalvergelijkingen door gemengde eindelementruimten te integreren met Gaussische procesregressie om tractabele onzekerheidskwantificering en gesloten foutgrenzen voor de posterior mogelijk te maken.
Dit artikel introduceert een hybride deep-learning framework dat een Multi-Scale Convolutional Neural Network gebruikt om een Probabilistic Cellular Automata-model in JAX dynamisch te parametriseren, wat de nauwkeurigheid van de voorspelling van bosbrandverspreiding bij grootschalige Amerikaanse branden aanzienlijk verbetert door complexe interacties met de omgeving te vangen terwijl de fysieke interpreteerbaarheid behouden blijft.
Deze studie toont aan dat hoewel microstructurele heterogeniteit in korrelgeometrie een bescheiden effect heeft, een brede verdeling van korrelgrensviscositeiten de karakteristieke Debye-achtige piek van elastisch geaccommodeerde korrelgrensglijding kan onderdrukken en verbreden tot een zwakke achtergrond, waardoor het ontbreken van een uitgesproken piek in droge olivijnexperimenten wordt verklaard zonder de relevantie van het mechanisme voor de seismische attenuatie van de bovenmantel te ontkennen.
Dit artikel introduceert fitPALSpectra, een open-source Python-workflow die de uitdagingen bij het analyseren van positron annihilatie levensduur spectroscopie (PALS) data aanpakt door een configureerbare tool te bieden voor het simuleren, fitten en visualiseren van spectra met behulp van een analytisch geïntegreerd exponentieel–Gaussisch model, dat is gevalideerd om grondwaarheidsparameters nauwkeurig te herstellen op synthetische data.
Dit artikel stelt een gemengde Hermite-Legendre spectrale methode voor voor kinetische plasmasimulaties die de efficiëntie van Hermite-polynomen voor nabij-Maxwelliaanse verdelingen combineert met het resolutievermogen van Legendre-polynomen voor gelokaliseerde niet-Maxwelliaanse kenmerken, waarbij een verbeterde nauwkeurigheid en behoud van fysische invarianten worden bereikt tegen een vergelijkbare computationele kosten.
Dit artikel introduceert een Joint Approximate Diagonalization-methode voor quasiparticle self-consistent $GW$-berekeningen die gebruikmaakt van de volledige dynamische zelfenergie en een dichtheidsmatrix afgeleid van de volledige Green-functie, waarbij een nauwkeurigheid wordt bereikt die vergelijkbaar is met standaard terwijl een verbeterde overeenstemming met hoogwaardige CCSD(T)-referentiewaarden wordt geboden.
Dit artikel introduceert General-Geometry Neural Whitney Forms (Geo-NeW), een datagestuurde eindelementmethode die gezamenlijk differentiaaloperatoren en compatibele gereduceerde ruimten leert om fysische behoudswetten te bewaren en superieure generalisatie naar ongeziene geometrieën te bereiken bij het oplossen van partiële differentiaalvergelijkingen.
Dit artikel vestigt een theoretisch kader waarin gesloten systeem neurale netwerkensembles worden vergeleken met open systeem analogen uit de kernreactietheorie, om uiteindelijk te concluderen dat de kenmerkende niet-Hermitische dynamica van laatstgenoemde structureel afwezig zijn in de mainstream leerprocessen vanwege het gebrek aan continue spectra en golfachtig gedrag, waardoor de werkelijke bron van operationele onzekerheid binnen de gesloten-systeem correspondentie wordt gelokaliseerd.
Dit artikel lost de paradox op dat Matrix Product States (MPS) zeer goed trainbaar zijn, ondanks de algemene trainbaarheidsproblemen van kwantumcircuits, door te bewijzen dat de gauge-vrijheid in MPS effectieve lokale overparametrisatie induceert, wat slechte lokale minima elimineert en ze concentreert nabij het globale minimum.
Dit artikel introduceert Graphlet-MP, een uitgebreide database en open-source toolkit die interpreteerbare, data-efficiënte graphlet-histogramrepresentaties biedt voor meer dan 149.000 anorganische kristallen om voorspelling van materiaaleigenschappen mogelijk te maken, zelfs met schaarse experimentele data.