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.
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.
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 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.