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.
Deze studie kwantificeert met behulp van een Random Forest-model hoe atmosferische omgevingsfactoren zoals vochtigheid, instabiliteit en windvering de frequentie en neerslag van mesoschaal convectieve systemen in de tropische oceanen beïnvloeden, waarbij deze factoren tot 50% van de variatie verklaren.
Deze studie toont aan dat er een robuust tweewegsfeedbackmechanisme bestaat tussen de Madden-Julian Oscillatie en mesoschaal convectieve systemen, waarbij de MJO de organisatie van deze systemen reguleert terwijl hun collectieve effecten op hun beurt de MJO-circulatie versterken en haar oostwaartse voortplanting ondersteunen.
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.
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.
Dit paper introduceert JAX-BEM, een differentieerbare randelementmethode die gebruikmaakt van automatische differentiatie voor snelle, gradiëntgebaseerde akoestische vormoptimalisatie en inverse problemen oplost.
De auteurs presenteren een nieuwe interface in GROMACS die het naadloos integreren van door PyTorch getrainde neurale netwerkpottentiaties in hybride ML/MM-moleculaire dynamica-simulaties mogelijk maakt, waardoor geavanceerde toepassingen zoals vrije-energieberekeningen en versterkte sampling voor biomoleculaire systemen direct beschikbaar komen.
Dit artikel introduceert Pi-PINN, een transferleermethode voor physics-informed neural networks die via gesloten-vorm aanpassing van de pseudoinverse-kop snel en nauwkeurige oplossingen biedt voor zowel bekende als onbekende partiële differentiaalvergelijkingen zonder extra trainingsdata.
Deze studie presenteert een door agenten aangedreven AI-framework dat grote taalmodellen combineert met lichtgewicht fysische modellen om thermisch comfort en energieverbruik in tropische steden, zoals Singapore, te analyseren en klimaatbestendige ontwerpstrategieën te evalueren.
Dit artikel presenteert een meshloze, h-adaptieve numerieke methode voor het simuleren van niet-Newtoniaanse natuurlijke convectie in een verschillend verwarmde holte, waarbij adaptieve verdeling van rekennodes de rekenefficiëntie verbetert door de dunne grenslaagstromingen nauwkeurig op te lossen.
Dit onderzoek bestudeert het supersolide fasegedrag van tweedimensionale soft-core bosonen bij eindige temperaturen door middel van zelfconsistent Hartree-Fock-theorie en quantum Monte Carlo-simulaties, waarbij een breed supersolide gebied wordt geïdentificeerd dat het uniforme superfluïde scheidt van de normale kwasi-kristal, en een mogelijk hexatisch tussenfase wordt ontdekt.