133 papers
Dit artikel stelt dat de informatiecapaciteit van niet-invasieve magneto-encephalografie een fundamentele, technologie-onafhankelijke bovengrens heeft van ongeveer 2,2 Mbit/s, die wordt bepaald door het metabolische vermogen van de hersenen, de geometrie en de kwantumlimieten van Planck's constante.
Deze paper introduceert een methode die straight-through Gumbel-Softmax-estimatie combineert met exacte stochastische simulaties om differentieerbare optimalisatie mogelijk te maken voor parameterinversie en omgekeerd ontwerp in systemen met discrete gebeurtenissen, zoals genexpressie en stochastische thermodynamica.
Dit artikel introduceert TAPINN, een topologie-bewuste Physics-Informed Neural Network die via supervisie-gestuurde metriekregularisatie en afwisselende optimalisatie de uitdagingen van regime-overgangen in parametrische dynamische systemen effectief aanpakt, wat resulteert in een lagere fysica-residu en stabielere convergentie dan bestaande methoden.
Deze studie concludeert dat, ondanks de theoretische belofte, Kolmogorov-Arnold-netwerken (KANs) in hard-beperkte recurrente fysisch geïnformeerde architecturen minder robuust en effectief blijken dan standaard MLPs voor het modelleren van complexe oscillatiesystemen vanwege hun hyperparameter-fragiliteit en beperkte inductieve bias.
Dit artikel presenteert de eerste systematische vergelijking van zeven hydrodynamische codes voor de streaming-instabiliteit en concludeert dat, hoewel alle codes kwalitatief overeenstemmen, de keuze tussen deeltjes- en vloeistofmodellen bij matige resolutie de kwantitatieve resultaten beïnvloedt, terwijl deze verschillen bij hogere resolutie afnemen en GPU's een aanzienlijk betere energie-efficiëntie bieden.
Dit artikel vergelijkt de prestaties van sort-and-sweep- en boomcode-algoritmen voor de berekening van buurdeeltjes in tweedimensionale DEM-simulaties, waarbij de boomcode een licht betere prestatie en betere mogelijkheden voor parallelisatie biedt ten koste van een aanzienlijk hogere cyclomatische complexiteit.
Deze studie presenteert een inverse-ontwerpfraamwerk dat genetische algoritmen en frequentiedomein-micromagnetische simulaties combineert om onconventionele tweedimensionale magnonische kristallen met grote bandgaten te ontdekken en te valideren.
Deze studie introduceert Ara, een agent op basis van een groot taalmodel die chemische kennis en donor-acceptortheorie benut om de zoektocht naar stabiele en actieve fotokatalytische covalente organische kaders (COFs) voor waterstofproductie aanzienlijk te versnellen en zo de stabiliteit-activiteitsdilemma effectief oplost.
De auteurs breiden de theorie van spin-roosterrelaxatie uit tot drie-phononprocessen en tonen aan dat deze voor het onderzochte chroomnitride-complex pas bij experimenteel onbereikbare temperaturen relevant worden, wat het veronderstelde zwakke spin-phononkoppeling bevestigt, terwijl ze ook aantonen dat een iets sterkere koppeling bij kamertemperatuur al zou leiden tot een overgang naar drie-phonon-dominantie.
In dit artikel wordt een robuuste en onvoorwaardelijk stabiele Galerkin-randelementenmethode in de tijd-domein gepresenteerd voor de simulatie van aeroakoestische verstrooiing en afscherming door complexe voertuigoppervlakken, waarbij een efficiënte kwadratuur de numerieke uitdagingen oplost en de methode zowel door analytische validatie als door vergelijking met experimentele metingen aan een propeller wordt gevalideerd.
Deze studie introduceert het schaalbare physics-informed deep generative model (sPI-GeM), dat problemen met stochastische differentiaalvergelijkingen in zowel hoge ruimtelijke als stochastische dimensies oplost door basisfuncties en coëfficiënten te leren via een combinatie van PI-BasisNet en PI-GeM.
Deze paper introduceert een nauwkeurige en geheugenefficiënte SOG-TNN-algoritme dat de vervlochten dimensies van de Schrödingervergelijking oplost door een som-van-Gaussians-tensorrepresentatie te combineren met een range-splitting-scheme voor de Coulomb-interactie, waardoor de 'curse of dimensionality' effectief wordt doorbroken.
Dit artikel presenteert een Hybrid High-Order (HHO)-formulering voor incompressibele stromingen met variabele dichtheid die een exacte volumebewaring garandeert, waardoor de dichtheid puur wordt geadverteerd, en die geschikt is voor het simuleren van mengsels van onmengbare vloeistoffen met eigenschappen zoals druk-robustheid en hoge orde nauwkeurigheid.
Op basis van uitgebreide Monte Carlo-simulaties toont dit onderzoek aan dat in het drie-dimensionale -Ising-model met willekeurige bindingen de percolatietransitie boven de thermische ordeningsovergang ligt en wordt gekenmerkt door twee even grote percolerende clusters, waarvan de dichtheden pas bij de daadwerkelijke ferromagnetische of spin-glas-overgangen divergeren.
Dit onderzoek toont aan dat misfit- en threading-dislocaties de oppervlakte-energieën van PbTe-PbSe-grensvlakken aanzienlijk verlagen, waarbij hetero-epitaxiale processen tot bijna 50% lagere energieën opleveren dan coherente grensvlakken.
Deze paper introduceert het Open Polymers 2026 (OPoly26)-dataset, bestaande uit meer dan 6,57 miljoen DFT-berekeningen op polymergebaseerde structuren, om machine learning-modellen voor polymeren te verbeteren en bij te dragen aan universele atomaire modellen.
Deze paper introduceert een symmetriegedreven generatief framework dat grote taalmodellen en een lineaire heuristische beam search combineert om kristalstructuren direct te voorspellen vanuit de chemische samenstelling, waardoor de combinatorische complexiteit wordt overwonnen en nieuwe materialen kunnen worden ontdekt zonder afhankelijkheid van bestaande databases.
Dit artikel introduceert peapods, een open-source Python-pakket met een in Rust geschreven kern dat Monte Carlo-simulaties van Ising-spin-systemen op periodieke Bravais-roosters versnelt door geavanceerde algoritmen te combineren met hoge prestaties en replica-parallelisme.
Dit werk analyseert een kwantumbreinmodel gebaseerd op het Lipkin-Meshkov-Glick-raamwerk en toont aan dat biologisch gemotiveerde synaptische terugkoppeling de faseovergangen substantieel herschikt, waardoor de paramagnetische fase ten koste van de ferromagnetische fasen wordt uitgebreid en de kritieke grenzen verschuiven, wat wordt gekarakteriseerd via de Husimi-verdeling, Wehrl-entropie en een gemiddeld-veld dynamische analyse.
Deze paper introduceert SMARL, een reinforcement learning-methode die stabiele en nauwkeurige subgrid-schaal sluitingen voor geofysische turbulentie leert door alleen het enstrofie-spectrum als beloning te gebruiken, waardoor extreme gebeurtenissen effectief kunnen worden voorspeld met aanzienlijk minder rekenkracht.