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 introduceert en analyseert adaptieve, niet-intrusieve gereduceerde orde-modellen die online zowel de latente deelruimte als de dynamica updaten om de stabiliteit en nauwkeurigheid van voorspellingen te waarborgen wanneer systemen buiten het trainingsgebied treden.
Deze studie onderzoekt met klassieke moleculaire dynamica-simulaties de intermediaire fasen van thermisch evenwicht tussen twee lichamen in contact, waarbij fluctuaties en temperatuurverdelingen worden geanalyseerd om het proces tot het bereiken van het eindevenwicht volgens de nulde wet van de thermodynamica inzichtelijk te maken.
Dit artikel biedt een analytisch kader om de nauwkeurigheid van stochastische Verlet-type integratoren voor de Langevin-vergelijking te beoordelen op basis van diffusie, drift en statistische steekproeven, waarbij de GJ-set als de meest geschikte methode voor thermodynamische simulaties naar voren komt.
Dit artikel introduceert Dirac-Bianconi-gedreven oscillatoren op hogere-orde netwerken en gebruikt fase-reductie om de synchronisatie tussen deze systemen te analyseren, waarbij interacties tussen topologische signalen op knopen en links worden beschouwd.
Dit artikel evalueert de prestaties van het EUCLID-framework voor het automatisch ontdekken van hyperelastische constitutieve wetten uit experimentele data van rubberproeven, waarbij de methode wordt vergeleken met traditionele identificatie op basis van zowel globale als lokale metingen.
`diffpy.morph` is een open-source Python-pakket dat onderzoekers in staat stelt om betekenisvolle verschillen tussen 1D-spectra te identificeren door ongewenste variaties, zoals experimentele inconsistenties of thermische expansie, te verwijderen via specifieke transformaties.
Dit artikel presenteert een physics-informed framework gebaseerd op Mixture Density Networks (MDN's) dat multimodale conditionele verdelingen in wetenschappelijke systemen modelleert door fysieke wetten direct in de componenten van de mengverdeling te integreren.
Dit onderzoek analyseert hoe inconsistenties tussen data en natuurkundige vergelijkingen een fundamentele foutenondergrens vormen (de zogenaamde 'consistency barrier') die de nauwkeurigheid van Physics-Informed Neural Networks (PINNs) beperkt.
Deze studie gebruikt responsietheorie om de dynamiek van elektronische lading en ladingsscheiding te onderzoeken, waarbij wordt aangetoond dat de kwadratische respons essentieel is voor een nauwkeurige beschrijving van deze processen in vergelijking met de lineaire respons.
Deze eerste-principes DFT-studie naar de hydriden () toont aan dat de meest veelbelovende kandidaat is voor waterstofopslag vanwege de hoogste opslagcapaciteit en gunstige thermodynamische eigenschappen.