🔬 Category

physics.comp-ph

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.

Towards grounded autonomous research: an end-to-end LLM mini research loop on published computational physics

Dit artikel introduceert een autonoom LLM-agent dat een 'mini-onderzoekslus' uitvoert door gepubliceerde papers in de computationele fysica te lezen, te reproduceren, te bekritiseren en uit te breiden, waarbij het op schaal substantiële zorgen identificeert en in diepte een ongecontroleerde, publiceerbare commentaar produceert die de oorspronkelijke conclusies van een Nature Communications-paper herzien.

Haonan Huang2026-04-15🔬 physics

Hierarchical generative modeling for the design of multi-component systems

Deze studie introduceert een hiërarchisch generatief optimalisatiekader dat genetische algoritmen combineert met generatieve modellen om complexe multi-componenten systemen, zoals katalysatoren, te ontwerpen door gelijktijdig moleculaire samenstelling en ruimtelijke organisatie te optimaliseren, wat resulteert in een aanzienlijke vermindering van de activeringsenergie.

Rhyan Barrett, Robin Curth, Julia Westermayr2026-04-15🔬 physics

Transferable excited-state dynamics enable screening of fluorescent protein chromophores

Deze studie introduceert X-MACE, een overdraagbaar machine-learning potentiaal dat in combinatie met oppervlaktehopping een data-efficiënt kader biedt voor het screenen van fluorescente eiwitchromoforen, waarbij wordt aangetoond dat sterische hindering en conjugatie-extensie fundamentele ontwerpprincipes zijn die de fotofysische eigenschappen sturen.

Rhyan Barrett, Sophia Wesely, Julia Westermayr2026-04-15🔬 physics

Spatiotemporal Chaos and Defect Proliferation in Polar-Apolar Active Mixture

Dit onderzoek onthult dat een actief mengsel van polaire en apolaire componenten een niet-monotoon dynamisch gedrag vertoont, waarbij een intermediair regime van spatiotemporele chaos ontstaat met chaotisch evoluerende banden en half-integrale topologische defecten, wat wordt gekwantificeerd via spectrale eigenschappen en de maximale Lyapunov-exponent.

Partha Sarathi Mondal, Tamas Vicsek, Shradha Mishra2026-04-14🔬 cond-mat

Flow Gym: A framework for the development, benchmarking, training, and deployment of flow-field quantification methods

Flow Gym is een JAX-gebaseerd framework dat de ontwikkeling, benchmarking, training en implementatie van PIV- en optische-stroommethoden voor stromingsveldkwantificering stroomlijnt door een gestandaardiseerde interface te bieden die de reproduceerbaarheid verbetert en de overgang van onderzoek naar experimentele toepassingen vergemakkelijkt.

Francesco Banelli, Antonio Terpin, Alan Bonomi, Raffaello D'Andrea2026-04-14🔬 physics

A critical assessment of bonding descriptors for predicting materials properties

Deze studie toont aan dat het integreren van kwantumchemische bindingsbeschrijvers in machinelearning-modellen, gebaseerd op een uitgebreide database van circa 13.000 materialen, niet alleen de voorspellende nauwkeurigheid voor elastische, vibratoire en thermodynamische eigenschappen verbetert, maar ook helpt bij het afleiden van intuïtieve wiskundige uitdrukkingen voor deze eigenschappen.

Aakash Ashok Naik, Nidal Dhamrait, Katharina Ueltzen, Christina Ertural, Philipp Benner, Gian-Marco Rignanese, Janine George2026-04-14🔬 cond-mat.mtrl-sci

Learning noisy phase transition dynamics from stochastic partial differential equations

Deze paper introduceert een physics-aware machine learning-surrogaat voor de stochastische Cahn-Hilliard-vergelijking in 3D dat door flux-niveau-stochasticiteit exacte massabehoud garandeert, thermodynamische interpretatie biedt en het tot dan toe onmogelijke voor deterministische modellen is om thermisch geactiveerde nucleatie en langdurige, grootschalige fase-overgangsdynamica nauwkeurig te modelleren.

Luning Sun, Van Hai Nguyen, Shusen Liu, John Klepeis, Fei Zhou2026-04-14🔬 physics