physics.comp-ph

Machine Learning for Electron-Scale Turbulence Modeling in W7-X

Dit artikel presenteert een door machine learning gedreven, natuurkundig geleid gereduceerd model voor het voorspellen van de Electron Temperature Gradient (ETG) turbulentie warmteflux in de Wendelstein 7-X stellarator, dat een hoge nauwkeurigheid bereikt door middel van actieve leerprocessen en radiale interpolatie, maar onthult dat een enkele straalonafhankelijke formulering onvoldoende is om de apparaatgeometrie-afhankelijke transportfysica te vatten.

Exterior complex scaling enables physics-informed neural networks for quantum scattering

Dit werk으로 toont aan dat exterior complex scaling niet-vervallende verstrooiingsgolffuncties transformeert naar exponentieel vervallende vormen, waardoor physics-informed neurale netwerken voor het eerst kernverstrooiingsproblemen nauwkeurig kunnen oplossen en de weg vrijmaakt voor efficiënte inverse problemen en complexe reactiemodellering.

Capturing non-Markovian dynamics in non-equilibrium stochastic systems using flow matching

Dit artikel introduceert een generatieve flow-matchingmethode die non-Markoviaanse en non-Gaussiaanse effecten in stochastische deeltjesdynamica op korte termijn nauwkeurig vastlegt, waarmee het traditionele geregulariseerde Dean-Kawasaki-modellen overtreft in het voorspellen van statistische momenten en eerste passage-tijden.

Six Open Questions in Machine-Learned Interatomic Potential Foundation Models

Dit artikel definieert fundamentele door machine learning bepaalde interatomaire potentialen (MLIP's) en formuleert zes kritieke openstaande vragen die naar verwachting toekomstig baanbrekend onderzoek in het vakgebied zullen leiden.

Physics-constrained Gaussian Processes for Predicting Shockwave Hugoniot Curves

Tricriticality and chaos in a generalized Allee-logistic map

Dit artikel introduceert een gegeneraliseerde Allee-logistische kaart die continue en discontinue extinctietransities overbrugt, tricritikaliteit onthult met universele schaleringsrelaties en aantoont dat het Allee-effect het ontstaan van chaos onderdrukt.

Learning and Inferring Multiphase Flow Dynamics in Porous Media using Scientific Machine Learning: Application to the "FluidFlower" CO2 Injection Experiment

Dit artikel presenteert een wetenschappelijk machine learning-framework dat een convolutioneel neuraal netwerk-surrogaat combineert met Bayesiaanse inferentie om de meerfasige CO2-pekelstroomdynamiek in poreuze media efficiënt te voorspellen en te kalibreren, waarbij significante verbeteringen in parameteridentificatie en simulatienauwkeurigheid worden aangetoond ten opzichte van traditionele methoden met behulp van hoogwaardige "FluidFlower" experimentele data.

A tensor-train multidimensional inverse Laplace transform

Dit artikel introduceert een tensor-train-formulering voor de multidimensionale inverse Laplace-transformatie die de vloek van dimensionaliteit overwint door de computationele complexiteit te verminderen van exponentieel naar polynomiaal via low-rank tensorbenaderingen en contracties, waarbij de effectiviteit ervan op diverse multivariate distributies wordt aangetoond.

Wall Shear Stress Reconstruction from Concentration: Differentiable Physics and Physics-Informed Neural Networks

Deze studie toont aan dat hoewel Physics-Informed Neural Networks (PINNs) wandwrijvingsspanning kunnen reconstrueren uit passieve scalardata alleen wanneer metingen nabij de wand beschikbaar zijn, een differentieerbaar natuurkundig kader gebaseerd op PDE-geconstrueerde optimalisatie er succesvol in slaagt om nauwkeurige wandwrijvingsspanning te herstellen in diverse meetscenario's binnen zowel canonieke als patiëntspecifieke cardiovasculaire stromingen.

Robust and efficient configurational molecular sampling via Langevin Dynamics