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 stelt een verenigd kader voor dat geometrisch diep leren en rigoureuze numerieke analyse voor CFD-simulaties met elkaar verbindt door multi-knooppuntpredictie, tijdsgerichte correctie via cross-attention en 3D-roterende positionele embeddings in te voeren om de stabiliteits- en nauwkeurigheidsbeperkingen van bestaande ML-surrogaten op ongestructureerde meshes te overwinnen.
Dit artikel stelt een door de fysica geleide deep learning-benadering voor die gebruikmaakt van een U-Net-architectuur om gestructureerde, niet-stationaire artefacten in enkelvoudige X-ray-opnamen effectief te onderdrukken, waardoor de reconstructiekwaliteit en signaalbehoud ten opzichte van traditionele methoden aanzienlijk worden verbeterd, terwijl diepe ensemble-methoden worden geïntegreerd om robuustheid te waarborgen via onzekerheidsschatting.
Dit artikel introduceert een compositie-gewogen symbolische regressie-raamwerk dat hybride zoekalgoritmen combineert met max/min-operatoren om interpreteerbare, analytische uitdrukkingen te genereren voor het voorspellen van diverse materiaaleigenschappen rechtstreeks op basis van chemische samenstelling, waarbij concurrente nauwkeurigheid wordt behaald ten opzichte van black-box-modellen terwijl chemisch betekenisvolle elementaire trends worden blootgelegd.
Dit artikel stelt een strategie voor en valideert deze voor het construeren van expliciete functionalen die Kohn-Sham-potentialen direct afbeelden op ladingsdichtheden in inhomogene materialen met behulp van gegevens van een homogeen elektronengas, waarbij met succes een verbeterde nauwkeurigheid wordt aangetoond door middel van steeds verfijndere benaderingen zonder de Kohn-Sham-Schrödingervergelijking op te lossen.
Deze studie toont aan dat de fractie van de wervelingsdichtheid in vervagende tweedimensionale Navier-Stokes-turbulentie de overgang van puntwervel- naar eindgrootte-wervelevenwichten beheerst, wat op zijn beurt een overeenkomstige verschuiving in het transport van Lagrangiaanse tracerdeeltjes dicteert, van subdiffusieve orbitale opsluiting naar superdiffusieve lineaire beweging naarmate de verpakking toeneemt.
Dit artikel introduceert een schaalbewuste adversariële analyseframework met gebruik van Constrained Diffusion Decomposition om aan te tonen dat standaard generatieve AI-modellen fysische wetten over schalen niet internaliseren, maar in plaats daarvan structurele bevriezing en instabiliteit vertonen wanneer ze worden blootgesteld aan fysisch beperkte perturbaties.
Dit artikel introduceert MuDirac 1.3.0, een duurzaam en efficiënt open-source softwarehulpmiddel dat de gemeenschap voor negatieve muonen in staat stelt kern eigenschappen, zoals de ladingsstraal, nauwkeurig te berekenen door muonische X-ray overgangsenergieën te modelleren onder een Fermi-verdeling met twee parameters.
Dit artikel presenteert een experimentele hybride spatiotemporale fotonische reservoircomputer die gebruikmaakt van een diffractief gekoppeld VCSEL-Array en die de classificatieprestaties en schaalbaarheid aanzienlijk verbetert door ruimtelijke koppeling te combineren met tijdmultiplexing om een 12-knooppuntennetwerk uit te breiden tot een 968-knooppunten-systeem met een verlaagde testfout van 0,026.
Dit artikel stelt een efficiënt algoritme voor op basis van de MeLoCoToN-aanpak dat priemgetalfactorisatie formuleert als een tensornetwerkvergelijking afgeleid van een binaire vermenigvuldigingscircuit, waarbij de netwerkstructuur wordt geoptimaliseerd en de prestaties worden aangetoond via exacte en benaderende contractiemethoden.
Dit artikel introduceert de xARPES Python-code, die een uitgebreide maximum-entropiemethode met Bayesiaanse inferentie gebruikt om op een consistente wijze elektron-zelfenergieën en Eliashberg-functies te extraheren uit gekromde dispersies in hoekopgeloste foto-emissiespectroscopie-gegevens, waarbij een superieure nauwkeurigheid wordt aangetoond op zowel model- als experimentele datasets in vergelijking met bestaande op linearisatie gebaseerde benaderingen.