917 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 onderzoek toont aan dat simulatie-gebaseerde inferentie (SBI) een veelbelovende machinelearningtechniek is om de parameters van neutrino-interactiemodellen nauwkeuriger te schatten dan traditionele methoden, zoals aangetoond door de toepassing op GENIE- en NuWro-simulaties.
Deze paper introduceert Neural Delay Differential Equations (NDDEs), een continu-tijd framework dat geïnspireerd is op het Mori-Zwanzig formalisme en effectief niet-Markoviaanse dynamica leert uit gedeeltelijk waarneembare data door geheugeneffecten te modelleren via tijdvertragingen.
Dit artikel presenteert een thermodynamisch consistent model op basis van de theorie van poreuze media voor de injectie van acrylcement in wervelbot onder niet-isotherme omstandigheden, waarbij lokale thermische niet-evenwichtstoestanden worden beschouwd om de temperatuurverschillen tussen het cement en het menselijk lichaam nauwkeuriger te simuleren.
Dit artikel introduceert een nieuwe Monte Carlo-algoritme voor tijdsafhankelijke deeltijstransportproblemen dat gebruikmaakt van een hybride methode met automatisch gegenereerde gewichtsfensters, gebaseerd op een hulpoplossing van LOSM-vergelijkingen, om de statistische efficiëntie te verhogen.
Deze studie introduceert een door fysica geïnspireerd AI-surrogaatmodel dat de simulatiesnelheid voor de retentieanalyse van ferro-elektrische verticale NAND-geheugens met meer dan 10.000 keer versnelt ten opzichte van traditionele TCAD-tools, terwijl de fysieke nauwkeurigheid behouden blijft.
Dit artikel introduceert een machine-learningframework dat de twee-elektronen gereduceerde dichtheidsmatrix leert om nauwkeurige, opgekoppelde-koppelingskwaliteit elektronische structuren en krachten te voorspellen voor complexe moleculaire systemen, zoals glucose in water, tegen een kostprijs die vergelijkbaar is met Hartree-Fock-berekeningen.
Deze studie introduceert en analyseert Mixture-of-Experts-architecturen voor machine learning interatomische potentialen, waarbij een element-wise routing-strategie met niet-lineaire experts en gedeelde experts leidt tot state-of-the-art nauwkeurigheid en chemisch interpreteerbare specialisatie.
Dit artikel introduceert het gewogen planaire stochastische poreuze rooster (WPSPL), een multifractaal en schaalvrij substraat waarop de auteurs analytisch en numeriek aantonen dat de percolatiekarakteristieken afhangen van de porositeit , wat leidt tot een continu familie van nieuwe universaliteitsklassen die afwijken van conventionele tweedimensionale roosters.
Deze studie toont aan dat het gedrag van tweefasenstroom in poreuze media op macroscopische schaal succesvol kan worden voorspeld door de verdeling van druppels te mappen op een spin-glasmodel, waarbij de overgang naar een 'glazige' fase overeenkomt met een niet-lineair stromingsregime gekenmerkt door hysterese en sterke fluctuaties.
Deze paper introduceert NATPS, een nieuwe methode die de Mapping Approach to Surface Hopping (MASH) combineert met transition path sampling om via een deterministische en tijdsomkeerbare dynamica efficiënt reactieve trajecten voor zeldzame niet-adiabatische gebeurtenissen te genereren.