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 artikel presenteert een hiërarchische eindige-elementenmethode met operator-gebaseerde golfkledingsontbinding die multiskala elektromagnetische problemen efficiënt oplost door schaalniveaus te ontkoppelen, waardoor de berekeningstijd bijna lineair wordt zonder herberekening van grovere oplossingen.
Dit artikel presenteert en test een recursief geregulariseerde rooster-Boltzmann-methode voor incompressibele magnetohydrodynamische stromingen, die door middel van een dubbele-verdelingsformulering en Hermite-gebaseerde regularisatie de numerieke stabiliteit verbetert en artefacten reduceert.
Dit artikel toont aan dat het gebruik van temperatuurprofielen afkomstig van hoogwaardige multiphysics-simulaties in plaats van uniforme profielen leidt tot een verbeterde nauwkeurigheid van de vermenigvuldigingsfactor en de splijtingsbronverdeling bij de Fission Matrix-methode voor een gesmolten zout snelle reactor.
In dit artikel wordt een nieuw machine learning-framework voorgesteld dat, geïnspireerd door het Hohenberg-Kohn-theorema, de externe potentiaal als invoer gebruikt om via equivariante berichtenpassing efficiënt elektronische structuur en atomaire eigenschappen te voorspellen.
Deze paper introduceert een nieuw deeltjesgebaseerd virtueel ultrasone apparaat dat, dankzij een innovatieve drukoplosser en stabilisatieschema, ultrasone golven in het MHz- tot GHz-bereik effectief simuleert om toepassingen zoals microbel-microdrukkingsmechanismen voor geneesmiddellevering te modelleren.
Deze studie presenteert een nieuwe methode voor Bayesiaanse inferentie van onzuiverheidsdichtheden in hoogzuivere germaniumdetectoren, waarbij gebruik wordt gemaakt van een op machine learning gebaseerd vervangingsmodel voor versnelde capaciteitsberekeningen om de onzekerheid in de onzuiverheidsverdeling te reduceren.
Deze paper introduceert RINO, een resolutie-onafhankelijke neurale operator die DeepONet uitbreidt met adaptieve basisfuncties voor het verwerken van invoer- en uitvoergegevens met willekeurige sensorlocaties en aantallen.
Deze paper stelt een adaptieve methode voor die het iteratief lokale updaten van ensemble-smoothers (ILUES) combineert met een Gaussian process-suraat om multimodale Bayesiaanse inverse problemen met dure forward-modellen efficiënt op te lossen.
Deze studie presenteert een onbewaakte, op Physics-Informed Neural Networks (PINN) gebaseerde methode die treinbelastingen en brugrespons gebruikt om schade in stalen spoorbrugtrusses te lokaliseren en te kwantificeren zonder grote datasets, terwijl het model prior kennis integreert voor contextbewuste inspecties.
Deze paper introduceert een stochastische cluster-expansie die de totale correlatie-energie van grote systemen met bijna-DMRG-nauwkeurigheid berekent zonder vooraf een actief subspace te hoeven selecteren, waardoor hoog-accurate studies van chemische processen in gecondenseerde fasen mogelijk worden.