Miller-Index-Based Latent Crystallographic Fracture Plane Reasoning with Vision-Language Models
本文证明，多模态大语言模型能够有效利用晶面指数作为结构化潜在变量来推理断裂几何，既能在理想化设定中可靠地推断平面假设，又能在不同材料类别中，当底层物理不支持此类表征时正确予以拒绝。
🔬 Category
physics.comp-ph
881 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。
Lumina: An AI-Augmented Multiscale Material Informatics Framework for Extreme Aero-Chemo-Thermo-Mechanical Regimes
本文介绍了 Lumina，这是一个基于 Python 的模块化框架，它将极端气-化-热-力耦合工况下碎片化的多尺度材料数据统一整合至一个集中式、AI 增强的生态系统中，以优化先进国防与航空航天应用中的实验设计、验证化学行为并提升预测建模能力。
Smart strategies to navigate turbulent odor plumes reorienting to local wind
本文提出了一种用于湍流环境中嗅觉导航的相对风强化学习框架，证明仅利用上次气味检测以来的时间和局部估计的风向的代理，其表现可超越传统策略，并能根据平均风和各向同性湍流中的风向估计质量调整其行为。
Data-Efficient Neural Operator Training via Physics-Based Active Learning
本文提出了一种新颖的基于物理的主动学习算法，该算法利用偏微分方程残差来指导数据选择，在将物理归纳偏置注入该过程的同时，显著提高了求解偏微分方程的神经算子训练的数据效率。
Ab initio Investigation of Thermal Transport in Insulators: Unveiling the Roles of Phonon Renormalization and Higher-Order Anharmonicity
本研究提出了一种基于自洽声子重整化和四阶非谐性的综合数值框架，通过将声子处理为温度依赖的准粒子，准确计算绝缘体的热学和热力学性质，从而克服了传统微扰方法的局限性。
Complexity Analysis of Normalizing Constant Estimation: from Jarzynski Equality to Annealed Importance Sampling and beyond
本文建立了首个不依赖等周假设的退火重要性归一化常数估计的非渐近Oracle复杂度界，并提出了一种新颖的反向扩散采样器，以克服传统几何插值在多模态场景中的局限性。
Requirements for Early Quantum Utility and Quantum Utility in the Capacitated Vehicle Routing Problem
本文介绍了一种透明且与编码无关的框架，该框架利用资源计数和硬件基准测试表明，在含噪声中等规模量子（NISQ）设备上实现带容量车辆路径问题（CVRP）的早期量子效用目前尚不可行，这一发现揭示了高阶编码相较于直接二次无约束二进制优化（QUBO）映射所具有的显著量子比特优势，同时指出创新的问题分解对于未来实现量子优势至关重要。
Mapping Microstructure: Manifold Construction for Accelerated Materials Exploration
本文提出了一种数据驱动框架，将微观结构建模为随机过程，以构建低维、可逆的材料流形，成功将加工条件与微观结构结果联系起来，并实现了加速的闭环材料设计。
Kinetic closure of turbulence
本文提出了一种针对滤波玻尔兹曼–BGK 方程的动力学闭合方法，该方法通过广义碰撞算子对湍流亚格子效应进行建模，无需尺度分离或 Smagorinsky 型假设，数值测试表明，与经典方法相比，该方法具有更优的稳定性和更低的耗散。
Walsh-Hadamard Neural Operators for Solving PDEs with Discontinuous Coefficients
本文介绍了沃尔什 - 哈达玛神经算子（WHNO），这是一种利用沃尔什 - 哈达玛变换有效求解具有不连续系数偏微分方程的新型架构，它克服了基于傅里叶方法的局限性，并证明将 WHNO 与傅里叶神经算子集成到集成学习中，在捕捉锐利界面和平滑特征方面能产生显著更优的精度。