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 paper presenteert een multiphysica-model voor de Molten Salt Fast Reactor dat de hoge-fideliteit CFD-code NekRS koppelt aan de snelle Fission Matrix-methode voor neutronica, geïmplementeerd binnen het Cardinal-framework.
Deze paper introduceert Scale-PINN, een innovatieve leerstrategie die het iteratieve residu-correctieprincipe uit numerieke solvers integreert in de verliesfunctie van Physics-Informed Neural Networks, waardoor trainingstijden voor complexe PDE-problemen drastisch worden verkort en de nauwkeurigheid aanzienlijk wordt verbeterd.
Dit artikel presenteert een Bayesiaanse schattingmethode voor synchrotronstralingsgebaseerde Mössbaur-spectroscopie die de meetprecisie van spectrale posities met meer dan een factor drie verbetert ten opzichte van conventionele Lorentzian-passing door de meetwindow geoptimaliseerd te selecteren op basis van de data.
Dit artikel introduceert een Reinforcement Learning-methode om ruis op kwantumchips nauwkeurig te karakteriseren en te simuleren, wat meer flexibiliteit biedt dan traditionele technieken en is gevalideerd op echte supergeleidende qubits.
Deze paper introduceert een nieuwe methode voor geamortiseerde inferentie van multi-modale posterieuren met behulp van likelihood-gewogen normalizing flows, waarbij wordt aangetoond dat het initialiseren van de stroom met een Gaussian Mixture Model essentieel is om de topologie van de doelverdeling correct te vangen en kunstmatige verbindingen tussen gescheiden modi te voorkomen.
Dit artikel introduceert een rekenkundig efficiënt en schaalbaar CNN-gebaseerd model, gebaseerd op de EfficientNet-architectuur en globale jet-kenmerken, dat concurrerende prestaties bereikt bij het taggen van top-quark-jets zonder de zware rekenlast van Transformer- of Graph Neural Networks.
Dit artikel introduceert MAD-SURF, een op machine learning gebaseerd interatomair potentiaalmodel dat met DFT-achtige nauwkeurigheid, maar met een veel hogere snelheid, de adsorptie en interactie van organische moleculen op oppervlakken van edele metalen simuleert.
Dit artikel toont aan dat de spectrale complexiteit van de stralingsvergelijking in absorberende en verstrooiende media een beperkte effectieve rang bezit die via Tensor Train-decompositie kan worden benut, waardoor een homogenisatie-aanpak aanzienlijk nauwkeuriger is dan bestaande methoden zoals de correlated-k distributie zonder extra rekenkosten.
Deze studie presenteert een geoptimaliseerde harmonische oppervlaktetessellatie voor additief vervaardigde lucht-lucht warmtewisselaars die, in vergelijking met gyroid-TPMS-structuren, in het turbulente stromingsregime een betere thermohydraulische prestatie levert door een significante toename van het rendement bij een relatief lagere drukval.
Dit artikel introduceert PINEAPPLE, een nieuw raamwerk dat physics-informed neural networks combineert met evolutionaire zoekalgoritmen om de interne toestandsparameters van lithium-ionbatterijen snel, nauwkeurig en niet-destructief te schatten op basis van spanningsverloop, waardoor robuuste degradatieprognoses en real-time batterijbeheer mogelijk worden.