WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs with Physics-Informed Neural Networks
本文介绍了 WellPINN，这是一种新颖的工作流程，它利用在收缩子域上顺序训练的物理信息神经网络，在整个注入期间准确模拟井周流体压力扩散，从而克服了以往在捕捉早期阶段压力动态方面的局限性。
🔬 Category
physics.comp-ph
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。
Full-Scattering-Matrix Deterministic Phonon Boltzmann Transport Simulation
本文提出了一种计算高效的三维声子玻尔兹曼输运方程求解器，该求解器通过利用非平衡分布的低维特性以及散射奇异模式的定向对齐，克服了弛豫时间近似的局限性，从而能够精确模拟纳米尺度器件中的全散射矩阵效应。
Vapor-Cell-Induced Uncertainty in Rydberg Atom Measurements via the Electric-Field Volume-Integral-Equation Method
本文利用电场体积积分方程方法证明，对于小于半波长的蒸汽室，玻璃相对介电常数的不确定性是里德堡原子电场测量中的主要误差源，导致总不确定度约为 3.5%，而通过更精确的介电常数数据可将其降低至 1% 以下。
A path-finding algorithm for computing minimal-weight-matching centrosymmetry parameter
本文研究了一种利用A*算法计算最小权重匹配中心对称参数的替代路径搜索方法，为现有分子动力学分析方法的缺陷提供了一种潜在的解决方案。
A unified gas-kinetic wave-particle method for multiscale binary-species gas mixtures
本文提出了一种统一气体动理学波粒（UGKWP）方法，用于模拟多尺度双组分气体混合物，该方法通过整合修正的平衡模型、基于 Shakhov 的普朗特数修正以及改进的粒子输运机制，准确捕捉了从连续流到稀薄流各流态下各组分特有的速度差与温度差，同时展示了与高超声速流动的直接模拟蒙特卡洛（DSMC）结果的高度一致性。
Limited Diffusion of Silicon in GaN: A DFT Study Supported by Experimental Evidence
本研究将第一性原理密度泛函理论计算与超高压退火实验相结合，证明由于激活能垒过高，硅在氮化镓中的扩散极为有限，从而证实了该材料在先进电子应用中实现精确掺杂的稳定性。
Machine-Learned Force Fields for Lattice Dynamics at Coupled-Cluster Level Accuracy
本研究证明，基于耦合簇数据训练、并通过增量学习和电荷感知方法增强以解决长程效应和数据局限性的机器学习力场，在预测金刚石和氢化锂的声子色散及非谐振动性质方面，相较于传统密度泛函理论取得了更优越的精度。
Universal Quantum Computer Simulation of 50 Qubits on Europe`s First Exascale Supercomputer Harnessing Its Heterogeneous CPU-GPU Architecture
研究人员首次利用欧洲 JUPITER 百亿亿次级超级计算机的异构 GH200 架构，通过三项关键创新——即借助 CPU-GPU 互连扩展内存利用、自适应数据编码以及实时网络流量优化器——成功模拟了一台 50 量子比特的通用量子计算机，实现了较此前纪录 16.6 倍的加速。
Improving conditional generative adversarial networks for inverse design of plasmonic structures
本文证明，将标签投影和一种新颖的嵌入网络纳入条件生成对抗网络，显著提升了从消光截面光谱逆向设计等离激元纳米结构的效率与精度，在不同架构下均实现了数量级的误差降低和更快的收敛速度。
Physics-informed convolutional neural networks for fluid flow through porous media
本文提出了一种物理信息卷积神经网络框架，通过将物理约束融入训练过程，准确预测复杂多孔介质中的孔隙尺度速度场，从而通过改善初始条件显著加速格子玻尔兹曼模拟。