统计力学是连接微观粒子运动与宏观物质性质的桥梁,它帮助我们理解为何冰会融化、为何磁铁能吸起回形针。在凝聚态物理领域,这一理论框架至关重要,它揭示了从超导材料到复杂流体等日常现象背后的深层规律。

Gist.Science 持续追踪来自 arXiv 的最新预印本,确保您能第一时间接触到这些前沿研究。我们对每一篇新发表的论文进行深度处理,不仅提供详尽的技术解析,更用通俗易懂的语言提炼核心发现,让复杂的物理概念变得触手可及。

以下是本领域最新收录的论文列表,邀请您一同探索物质世界的奇妙规律。

Non-equilibrium thermodynamics of collapse models in the strongly non-Gaussian regime

本文通过采用一种新颖的精确伪谱模拟方法,在强非高斯机制下严格确立了耗散型狄奥西-彭罗斯(Diósi-Penrose)塌缩模型的热力学一致性,证明了系统会进入一个非平衡稳态,且其渐近非高斯性随耗散参数的立方进行缩放,从而解决了不物理的加热问题,并证实了使用精确数值方法对于捕捉关键分布尾部特征的必要性。

Pedro B. Melo, Pedro V. Paraguassú, Simone Artini, Gabriele Lo Monaco, Sandro Donadi, Mauro Paternostro2026-06-05✓ Author reviewed ⚛️ quant-ph

Early psychosis shows deviations in scaling behaviour within a critical regime

这项研究揭示,早期精神病症的特征并非临界态脑动力学的丧失,而是通过在保持的标度不变机制内对标度指数进行系统性重组而表现出来的,这一点是通过结合现象学重整化群、功率谱密度以及对静息态功能磁共振成像数据进行去趋势波动分析所证明的。

Irem Topal, Paola Moreno Ancalmo, Guillermo Montana Valverde, Philipp Homan, Wolfram Hinzen2026-06-05🧬 q-bio

Drift-Diffusion Matching: Embedding dynamics in latent manifolds of asymmetric neural networks

本文引入了“漂移扩散匹配”(drift-diffusion matching)框架,用于训练非对称连续时间循环神经网络,使其能够忠实地将任意非线性随机微分方程嵌入低维潜在流形中,从而将吸引子网络理论从平衡态扩展到建模复杂的生物动力学,如联想记忆和情景记忆。

Ramón Nartallo-Kaluarachchi, Renaud Lambiotte, Alain Goriely2026-06-04🧬 q-bio