727 papers
Deze sectie op Gist.Science richt zich op de fascinerende wereld van plasmafysica, het onderzoek naar de vierde toestand van materie. Plasma komt voor in alles van bliksem tot sterren en maakt het mogelijk om nieuwe energiebronnen en geavanceerde materialen te ontwikkelen. Het is een dynamisch veld waar geladen deeltjes en elektromagnetische velden samenspelend complexe verschijnselen creëren.
Elk nieuw preprint dat op arXiv verschijnt binnen dit domein, wordt door onze systemen direct verwerkt. Wij bieden voor elke publicatie zowel een toegankelijke samenvatting in gewone taal als een gedetailleerde technische analyse, zodat zowel leken als experts de inzichten kunnen begrijpen. Hieronder vind je de meest recente bijdragen uit deze spannende tak van de natuurkunde.
Dit artikel presenteert een analytisch kader en numerieke simulaties die aantonen dat turbulente dynamo's in een instortende wolk leiden tot een super-exponentiële versterking van magnetische velden, waardoor deze velden veel eerder dan eerder gedacht dynamisch relevant worden tijdens de vorming van sterren en sterrenstelsels.
Dit artikel beschrijft hoe het optisch injecteren en lokaliseren van vrije ladingsdragers in diëlektrische metasurfaces tijdelijke interfaces creëert die niet alleen frequentieverschuiving van infraroodgolfgidsen mogelijk maken, maar ook permanente, nanoschaal magnetisatie genereren via resterende circulerende stromen.
Dit artikel introduceert SOLPS-NN, een op deep learning gebaseerd surrogaatmodel dat, getraind op duizenden SOLPS-ITER-simulaties, snelle en nauwkeurige voorspellingen mogelijk maakt voor de scrape-off layer van tokamakfusiereactoren, waarbij wordt aangetoond dat eenvoudige fully connected neurale netwerken effectief zijn en dat het gebruik van datasets met hogere fideliteit de voorspellingnauwkeurigheid verder verbetert.
Dit artikel presenteert een robuust en algemeen potentiaalmodel voor stof-ion wake-systemen onder PK-4-omstandigheden dat, gebaseerd op een klein aantal coëfficiënten uit moleculaire dynamica-simulaties, de vorming van complexe stofstructuren in microzwaartekracht nauwkeurig beschrijft.
Dit artikel onthult een fundamentele link tussen quasisymmetrische magnetische velden in plasma's en solitons van de Korteweg-de Vries-vergelijking, waarbij een niet-perturbatieve methode en machine learning worden gebruikt om deze relaties te analyseren en de efficiëntie van stellarator-ontwerpen te verbeteren.
Dit paper introduceert TGLF-WINN, een datadoeltreffend deep learning-surrogaatmodel dat door middel van principes voor kenmerkengineering, door fysica geleide regularisatie en Bayesiaanse actieve learning de trainingsdata-eisen voor het modelleren van turbulente transport in fusieplasma's aanzienlijk verlaagt terwijl het de nauwkeurigheid behoudt en een 45-voudige versnelling biedt ten opzichte van het traditionele TGLF-model.
Dit artikel presenteert een methode die differentieerbare simulatoren gebruikt om tijdsafhankelijke en integro-differentiële botsingsoperatoren te leren uit plasma-fasruimtedata, waardoor nauwkeurigere modellen mogelijk worden voor complexe, niet-evenwichtssituaties dan traditionele statistische benaderingen.
Deze Vlasov-Poisson studie toont aan dat de Buneman-instabiliteit, ondanks een temperatuurverhoudingsonafhankelijke maximale groeisnelheid, een aanzienlijk afwijkend gedrag vertoont ten opzichte van bestaande modellen, waarbij de amplitude van ionendichtheidsinhomogeniteiten de overdracht van elektronenstraalenergie naar de bulkplasmatemperatuur in de warme-plasmalimiet beperkt door de generatie van zijkanten te onderdrukken.
In deze vooruitstrevende review wordt betoogd dat een volledig fysiek beeld van turbulente plasma-opwarming en deeltjesversnelling de zelfstandige vorming van coherente structuren, zoals stroomlagen en fluxkabels, centraal moet stellen als de primaire drijvende kracht achter lokale energietransformatie in kosmische plasma's.
In deze studie ontwikkelen de auteurs een machine learning-model op basis van een convolutional neurale netwerken (CNN) dat, gebruikmakend van MAVEN/SWIA-gegevens, drie plasma-regio's rond Mars nauwkeurig en automatisch kan classificeren, waarbij deze CNN-benadering superieur is aan een traditionele multilayer perceptron.