physics.comp-ph

Machine Learning for Electron-Scale Turbulence Modeling in W7-X

Este artigo apresenta um modelo reduzido orientado por física e impulsionado por aprendizado de máquina para prever o fluxo de calor da turbulência de Gradiente de Temperatura de Elétrons (ETG) no estelarator Wendelstein 7-X, o qual alcança alta precisão através de aprendizado ativo e interpolação radial, mas revela que uma formulação única independente do raio é insuficiente para capturar a física de transporte dependente da geometria do dispositivo.

Exterior complex scaling enables physics-informed neural networks for quantum scattering

Este trabalho demonstra que o escalonamento complexo exterior transforma funções de onda de espalhamento não decrescentes em formas exponencialmente decrescentes, permitindo que redes neurais informadas pela física resolvam problemas de espalhamento nuclear com precisão pela primeira vez e pavimentando o caminho para problemas inversos eficientes e modelagem de reações complexas.

Capturing non-Markovian dynamics in non-equilibrium stochastic systems using flow matching

Este artigo introduz um método de correspondência de fluxo generativo que captura com precisão efeitos não-markovianos e não-gaussianos na dinâmica estocástica de partículas em curto tempo, superando os modelos tradicionais de Dean-Kawasaki regularizados na previsão de momentos estatísticos e tempos de primeira passagem.

Six Open Questions in Machine-Learned Interatomic Potential Foundation Models

Este artigo define potenciais interatômicos fundamentais aprendidos por máquina (MLIPs) e articula seis questões críticas em aberto que se espera que guiem a pesquisa de ponta futura no campo.

Physics-constrained Gaussian Processes for Predicting Shockwave Hugoniot Curves

Tricriticality and chaos in a generalized Allee-logistic map

Este artigo introduz um mapa Allee-logístico generalizado que faz a ponte entre transições de extinção contínuas e descontínuas, revelando tricriticidade com relações de escala universais e demonstrando que o efeito Allee suprime o início do caos.

Learning and Inferring Multiphase Flow Dynamics in Porous Media using Scientific Machine Learning: Application to the "FluidFlower" CO2 Injection Experiment

Este artigo apresenta um framework de aprendizado de máquina científico que combina um substituto de rede neural convolucional com inferência bayesiana para prever e calibrar eficientemente a dinâmica de fluxo multifásico de CO2-salmoura em meios porosos, demonstrando melhorias significativas na identificação de parâmetros e na precisão da simulação em relação aos métodos tradicionais utilizando dados experimentais de alta resolução "FluidFlower".

A tensor-train multidimensional inverse Laplace transform

Este artigo introduz uma formulação de tensor-train para a transformada inversa de Laplace multidimensional que supera a maldição da dimensionalidade ao reduzir a complexidade computacional de exponencial para polinomial por meio de aproximações e contrações de tensores de baixo posto, demonstrando sua eficácia em várias distribuições multivariadas.

Wall Shear Stress Reconstruction from Concentration: Differentiable Physics and Physics-Informed Neural Networks

Este estudo demonstra que, embora as Redes Neurais Informadas pela Física (PINNs) possam reconstruir a tensão de cisalhamento na parede apenas quando medições próximas à parede estão disponíveis, um framework de física diferenciável baseado em otimização restrita por EDP recupera com sucesso a tensão de cisalhamento na parede de forma precisa em diversos cenários de medição, tanto em fluxos canônicos quanto em fluxos cardiovasculares específicos de pacientes.

Robust and efficient configurational molecular sampling via Langevin Dynamics