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 CoK-PCA, een nieuwe methode voor dimensiereductie gebaseerd op co-kurtosis die, in tegenstelling tot de traditionele PCA, beter in staat is om de complexe chemische dynamiek en extreme waarden in verbrandingsdatasets nauwkeurig weer te geven.
Dit artikel generaliseert de populaire FDTD-methode voor computationele elektromagnetica naar een meshloze setting met behulp van de RBF-FD-methode en onderzoekt de eigenschappen daarvan aan de hand van een eenvoudig testprobleem.
Dit werk presenteert een theoretische analyse van de Onsager-geregulariseerde rooster-Boltzmann-methode, die aantoont dat deze zonder externe correcties spurious fouten op standaardroosters kan elimineren en nauwkeurigere, niet-lineaire thermohydrodynamische simulaties mogelijk maakt.
Dit artikel toont aan dat bij dynamische faseovergangen in gemiddeld-veld Ginzburg-Landau-modellen de juiste geconjugeerde veldcomponent de even Fourier-deel is, wat leidt tot specifieke schalingswetten voor de ordeparameter en Fourier-moden die zowel bij kritieke perioden als bij hogere niet-lineariteiten robuust zijn.
Deze studie introduceert een fysica-gedwongen neuraal-operatorframework dat de Direct Simulation Monte Carlo-methode versnelt door een stochastisch neuraal botsingskern te ontwikkelen voor het Variable Hard Sphere-model en een gespecialiseerde operator voor \emph{ab initio} interacties, waardoor de rekenkosten worden verlaagd en fysische invarianten behouden blijven zonder hertraining.
Dit onderzoek toont aan dat ab initio-berekeningen van moleculaire elektronische structuren, ongeacht de gebruikte methode of molecuulcomplexiteit, universele Wigner-Dyson-niveaustatistieken vertonen die consistent zijn met de Gaussische orthogonale ensemble van de willekeurige-matrixtheorie.
Dit onderzoek onthult hoe collectieve liggend-staand overgangen in organische-monolagen op onorganische oppervlakken worden bestuurd door een complex samenspel van microscopische processen en geometrische factoren, wat leidt tot een nieuwe analytische uitdrukking voor het voorspellen van overgangssnelheden.
Het artikel introduceert MBD-ML, een voorgetraind machine learning-model dat atomaire -coëfficiënten en polariseerbaarheden voorspelt om van der Waals-interacties op een nauwkeurige en efficiënte manier te integreren in krachtvelden en elektronische structuurcodes zonder tussenkomst van dure elektronische berekeningen.
Dit artikel introduceert een gegeneraliseerde karakteristieke mapping-methode met brontermen voor niet-lineaire advectie, die via een semi-Lagrangiaanse aanpak en Duhamel-integratie derde-orde nauwkeurigheid bereikt voor tweedimensionale ideale magnetohydrodynamica.
Deze review biedt het eerste overzicht van wetenschappelijk machine learning in de hydrologie door een unificerend raamwerk te presenteren dat verspreide methoden structureert, conceptuele helderheid creëert en toekomstige onderzoeksrichtingen voor deze onderbenutte veldrichting aangeeft.