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.
In dit artikel worden efficiënte ADI-schema's voorgesteld voor het oplossen van driedimensionale warmtevergelijkingen met onregelmatige randen en interfaces, waarbij een gemodificeerde Douglas-Gunn-methode wordt gecombineerd met een kernel-vrije randintegraalbenadering en een level-setmethode om nauwkeurige en stabiele simulaties van complexe fenomenen zoals dendrietstolting mogelijk te maken.
Dit artikel presenteert een op fractale geometrie gebaseerd diffusie-reactiemodel dat verklaart hoe structurele heterogeniteit en subdiffusieve dynamiek in weefsels leiden tot verschillen in zuurstoftransport en reactieve domeinen tussen tumoren en normaal weefsel onder FLASH-irradiatie.
Deze paper introduceert een interpreteerbare, structuurbehoudende graf-neurale solver die klassieke numerieke principes combineert met graf-neurale netwerken om hyperbolische behoudswetten efficiënt en stabiel op te lossen, wat leidt tot aanzienlijke snelheidswinsten en verbeterde generalisatie ten opzichte van bestaande methoden.
Het artikel introduceert PINNACLE, een open-source framework dat klassieke en kwantum-fysica-informeerde neurale netwerken (PINN's) verenigt met geavanceerde trainingsstrategieën en multi-GPU-versnelling, en dat een uitgebreide benchmarkstudie biedt om hun prestaties, schaalbaarheid en afwegingen ten opzichte van traditionele oplossers te evalueren.
Deze studie introduceert een schaalbaar probabilistisch workflow dat Bayesiaanse correctie en deep learning combineert om de onzekerheid in de hydraulische eigenschappen van gefractureerde geologische media nauwkeuriger te voorspellen dan traditionele deterministische methoden.
Dit artikel introduceert een machine learning-framework dat de nauwkeurigheid van spectroscopische lijsten voor moleculaire isotopologen verbetert door residuen te modelleren en via transfer learning correcties van koolstofdioxide naar koolstofmonoxide over te dragen, wat essentieel is voor de analyse van exoplanetatmosferen.
Dit artikel toont aan dat Matrix Product State-methode een schaalbaar hulpmiddel is voor het simuleren van tweedimensionale Rayleigh-Bénard-convectie, waarbij statistische observabelen zoals het Nusselt-getal met hoge nauwkeurigheid kunnen worden hersteld bij een aanzienlijke reductie in vrijheidsgraden, zelfs bij hoge Rayleigh-getallen tot .
Dit onderzoek toont aan dat het periodiek moduleren van de afstand tussen radicalen in cryptochroom de kwantumcoherentie van spin-dynamica kan versterken, waardoor de gevoeligheid voor het aardmagnetisch veld aanzienlijk toeneemt en de theorie van magnetoreceptie ook bij sterke elektron-elektron koppeling geldig blijft.
De auteurs presenteren een rigoureuze Bayesiaanse methode die het mogelijk maakt om elektronendichtheden van kleine biomoleculen te bepalen uit extreem ruisrijke, spaarzame X-ray scattering-beelden, zelfs wanneer de moleculaire oriëntatie onbekend is.
In dit paper worden nieuwe volledige en laag-rang exponentiële Euler-integratoren ontwikkeld voor de Lindblad-vergelijking die onvoorwaardelijk positiviteit en behoud van de spoor garanderen, vergezeld van scherpe foutschattingen en numerieke experimenten die de superioriteit van deze methoden aantonen.