879 篇论文
计算物理学是连接抽象理论与现实世界的桥梁，它利用强大的计算机模拟来探索从微观粒子到浩瀚宇宙的复杂规律。在这里，我们不再仅仅依赖纸笔推导，而是通过数字实验揭示物质深处那些难以直接观测的奥秘，让深奥的公式在代码中焕发新生。
Gist.Science 持续追踪 arXiv 上发布的最新预印本，确保您能第一时间获取这些前沿成果。我们不仅提供详尽的技术解读，更会将其转化为通俗易懂的通俗摘要，帮助不同背景的研究者与爱好者轻松跨越专业门槛。
以下为您精选的近期计算物理学领域最新论文，涵盖了从量子模拟到流体力学的多样探索。
本文引入了一个全可微的粒子网格埃瓦尔德（Particle-Mesh Ewald）框架，并将其与一个 E(n)-等变笛卡尔张量消息传递网络相结合，以实现长程静电相互作用和原子偶极响应的端到端学习，从而在凝聚相和界面系统中实现量子级精度的力以及可扩展的 O(N log N) 性能。
本文提出了一种用于晶格蛋白质折叠的无惩罚量子优化方法，该方法利用为最大独立集问题设计的 QAOA 混合器来避免二次惩罚，并通过经典模拟成功验证了该方法在小规模蛋白质上的有效性，并将其扩展到更大规模的系统（长度 高达 14）是通过一种启发式迭代局部搜索方案实现的。
本文介绍了 DPA4，这是一种新型的 SE(3) 等变原子间势能架构，其采用了 EMFA SO(2) 等变卷积以及编译器友好的训练优化技术，在显著降低参数量和训练成本的同时实现了最先进的精度，从而为大型原子模型建立了新的精度-成本帕累托前沿。
本文介绍了朗之文-斯派克特动力学（Langevin Speculative Dynamics, LSD），这是一种分布式且与模型无关的投机采样方法，通过使用快速草拟模型和并行验证，在不引入相对误差或损害目标模型分布准确性的情况下，将分子动力学模拟加速了 3–9 倍。
本文提出了一种图蒙特卡罗方法，该方法通过随机采样并重求分子中正电子自能的阶梯级数贡献，在实现与确定性 Bethe-Salpeter 方程解相比显著降低内存消耗的同时，证明了其与氢化锂精确对角化基准的一致性。
本文介绍了一种新颖的数据驱动降阶建模框架，该框架利用 Henon 神经网络构建端到端的辛结构架构，以确保高维哈密顿系统中辛结构的精确保持和长期稳定性。
本文介绍了一种在 CP2K 代码中经过验证的 GW-BSE 形式实现的实现方式，用于精确预测纳米石墨烯的光谱和激发尺寸，证明了其在描述纳米结构电子激发方面优于时间依赖密度泛函理论。
该论文介绍了 ELECTRAFI，这是一种快速且可微的模型，它通过利用各向异性高斯的闭式傅里叶变换来预测晶体材料中的周期性电荷密度，从而以高达 633 倍的推理速度实现了最先进的精度，进而显著降低了密度泛函理论（DFT）计算的总计算成本。
本文提出了一种置换不变自编码器框架，该框架通过重建质量分布而非固定顺序的样本，为无序微观系统学习低维潜在表示和宏观动力学，并在粒子系统、流体及聚合物视频数据上展示了鲁棒的性能。
本文通过在虚节点上更新序参数，为颜色梯度格子玻尔兹曼法中的弯曲固体表面引入了一种润湿边界条件，该方案已在 GPU 硬件上得到验证，能够有效处理巨大的密度和粘度差异，同时最大限度地减少伪电流，并准确重现静态和动态接触线行为。