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 biedt een grondig inzicht in hoe data-gedreven methoden, met name neurale operatoren, traditionele numerieke benaderingen voor partiële differentiaalvergelijkingen kunnen aanvullen door snellere en schaalbare oplossingen te bieden voor complexe natuurkundige en technische problemen, terwijl ook de huidige beperkingen worden belicht.
Dit artikel introduceert LEDDS, een open-source framework dat volledig gekoppelde LBM-DEM-simulaties van granulaire stromen en vloeistof-deeltjesinteracties op GPUs realiseert door uitsluitend algoritmische primitieven te gebruiken, waardoor hoge prestaties worden bereikt die vergelijkbaar zijn met handmatig geoptimaliseerde CUDA-codes, terwijl tegelijkertijd de codeportabiliteit en leesbaarheid behouden blijven.
Dit artikel presenteert een methode die differentieerbare simulatoren gebruikt om tijdsafhankelijke en integro-differentiële botsingsoperatoren te leren uit plasma-fasruimtedata, waardoor nauwkeurigere modellen mogelijk worden voor complexe, niet-evenwichtssituaties dan traditionele statistische benaderingen.
Dit artikel presenteert een exact oplosbaar model voor interacterende harmonische fermionen dat aantoont dat het tekenprobleem voornamelijk een eigenschap is van de vrije fermionpropagator, waarbij interacties de ernst niet vergroten en bepaalde gesloten-schiltoestaven zelfs vrij zijn van dit probleem, wat wordt bevestigd door simulaties tot 110 elektronen.
Dit artikel introduceert de SD-GLE, een datagedreven methode die variational Bayes gebruikt om statische ruimtelijke wanorde en visco-elastische wrijving te ontrafelen, waardoor de anomalie van diffusie en ensemble-statistieken in heterogene systemen nauwkeurig kunnen worden voorspeld.
Dit artikel onderzoekt het hydrodynamische gedrag en de geldigheidsgrenzen van een mesoschaal numeriek model voor natingsdynamica, gebaseerd op de Immersed Boundary-Lattice Boltzmann-methode, door middel van gedetailleerde vergelijkingen met oplossers op basis van de Boundary Element Method en de Volume of Fluid-methode.
Deze studie toont aan dat de adsorptie van interstellaire thiocyanaatmoleculen op ijsdeeltjes niet alleen leidt tot een geleidelijke thermische desorptie, maar ook een 'overlevingsparadox' creëert waarbij moleculen die thermisch worden beschermd juist kwetsbaarder worden voor fotodissociatie door een versterkte UV-absorptie.
Deze studie presenteert twee diep-lerende autoregressieve modellen, gebaseerd op een Koopman-gebaseerde Transformer en een ConvLSTM-UNet, die de tijdsontwikkeling van 2D MHD Kelvin-Helmholtz-instabiliteiten nauwkeurig en met aanzienlijk lagere rekentijd voorspellen dan directe numerieke simulaties, terwijl ze essentiële fysische eigenschappen behouden.
Deze studie lost het probleem van energie-dissipatie bij contacten van niet-sferische deeltjes op door een structuurbehoudende formulering te ontwikkelen die een unieke dempingswet voorschrijft, gebaseerd op de onderliggende contactdynamica, waardoor de contactpunt-restitutie consistent kan worden gecontroleerd terwijl de variabiliteit in totale energierestitutie wordt verklaard door de intrinsieke koppeling tussen translatie en rotatie.
Dit artikel presenteert een fysica-informeel neurale netwerken (PINN)-framework dat, door het leren van counter-diabatische quantumdynamica en een scheduling-functie, de Quantum Fisher Information in tijdsafhankelijke veel-deeltjessystemen effectief maximaliseert, wat leidt tot superieure prestaties vergeleken met traditionele Euler-Lagrange-methoden.