879 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 artikel presenteert een verbeterde mengfunctie voor een gemodificeerd upwinding compact schema dat effectief de hoge orde nauwkeurigheid van compacte schema's combineert met het schok-vangende vermogen van WENO, waardoor scherpe schokresolutie mogelijk wordt terwijl een hoge resolutie in gladde gebieden behouden blijft voor toepassingen zoals schok-grenslaag en schok-akoestische interacties.
Dit artikel beoordeelt en benchmarkt een gecomprimeerde hybride BEM/FEM-methode die dichte grenselementmatrices transformeert naar gebandeerde dynamische stijfheidsmatrices om elastische golfverstrooiingsproblemen in semi-oneindige domeinen efficiënt op te lossen met verminderde geheugenvereisten voor praktische technische toepassingen.
Dit artikel presenteert een nieuwe multi-resolutie hexaëder-elementformulering gebaseerd op een nieuw kader van onderling geneste verplaatsingssubruimten, wat instelbare resolutieniveaus mogelijk maakt om de nauwkeurigheid van structurele analyses efficiënter en rationeler te moduleren dan traditionele mono-resolutiemethoden.
Dit artikel introduceert Dual Vibration Configuration Interaction (DVCI), een geheugenefficiënt computationeel programma dat gebruikmaakt van een nieuwe Hamiltonian-factorisatie gebaseerd op dualiteit en tweede kwantisatie om specifiek infrarode vibratietoestanden snel en nauwkeurig te berekenen zonder grote matrixblokken te construeren.
Deze studie stelt een macroscopisch modellerings- en optimalisatiekader voor op basis van de Darcy–Forchheimer-theorie om variabele TPMS-roosterwarmtewisselaars met niet-uniforme kanaalbreedtes te ontwerpen, waarvan experimentele validatie bevestigt dat deze een prestatieverbetering van 28,7% bereiken ten opzichte van uniforme roosterconfiguraties.
Dit artikel stelt een methodologie voor die differentiabele kinetische simulators combineert met gradiëntgebaseerde optimalisatie om plasma-botsingsoperatoren nauwkeurig af te leiden direct uit faseruimtegegevens, waarbij een superieure prestatie en efficiëntie wordt aangetoond vergeleken met traditionele deeltjespadgebaseerde schattingen.
Dit artikel toont aan dat het rotationele karakter van turbulentie neurale netwerken inherent leert over equivariantie door middel van impliciete data-augmentatie, en dat het expliciet afdwingen van deze symmetrie als een architecturale inductieve bias de generalisatie over verschillende stromingscondities aanzienlijk verbetert terwijl de modelcomplexiteit wordt verminderd.
Deze studie toont via dynamische Monte Carlo-simulaties aan dat hoewel het introduceren van mobiliteitheterogeniteit via verschillende bijwerkingssnelheden in een twee-blokken 2D Gaussisch rooster-polymeer de interne relaxatiedynamica en de blok-opgeloste gemiddelde kwadratische verplaatsing verandert, de centrum-van-massa diffusiecoëfficiënt de standaard ideale keten-schaling van behoudt.
Dit artikel introduceert Stein Kernelized Molecular Dynamics (SKMD), een nieuwe enhanced sampling-methode die de Boltzmann-verdeling behoudt terwijl deze interagerende deeltjesdynamica en symmetiebewuste kernels gebruikt om efficiënt diverse, niet-redundante trainingsgegevens te verwerven voor de active learning en het fine-tunen van machine learning interatomaire potentialen.
Dit artikel presenteert een systematische, data-vrije benchmark van elf Physics-Informed Neural Network-architecturen voor het stijve Poisson-Nernst-Planck-systeem, waarbij wordt aangetoond dat de Balanced Residual Decay Rate (BRDR)-strategie een optimale balans biedt tussen nauwkeurigheid en computationele efficiëntie vergeleken met andere methoden, terwijl het een open-source implementatie biedt voor toekomstig onderzoek.