Fast and Accurate Prediction of Lattice Thermal Conductivity via Machine Learning Surrogates
本文在大型 Phonix 数据库上对 15 个机器学习代理模型进行了基准测试以预测晶格热导率，结果表明，尽管嵌入机器学习势函数的模型在插值方面表现优异，但如 ALiEGNN 之类的深度神经网络在分布外外推方面展现出更优越的鲁棒性，从而能够以第一性原理模拟计算成本的一小部分实现热电材料的高效高通量筛选。
🔬 Category
physics.comp-ph
903 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。
Identifying the relevant parameters in design strategies for stable glasses
本研究挑战了优化特定物理性质（如超均匀性或局部有序性）会导致玻璃稳定性增强的假设，转而证明改变粒子直径的动力学过程才是形成超稳定玻璃的真正因果因素。
Machine Learning for neutron source distributions
本文提出并评估了一种新颖的方法，该方法利用概率生成模型从蒙特卡罗粒子列表中估算中子源分布，从而在模型训练后实现高效且与内存无关的采样。
Designing Coulombic Contact Interactions between Polarizable Particles through Asymmetry
本文表明，通过联合调节可极化粒子的尺寸、电荷和介电不对称性，可将复杂的接触静电相互作用设计为简化的库仑行为，从而实现对具有可预测结构的自组装材料的设计。
Bayesian Reasoning for Physics Informed Neural Networks
本文提出了一种证据驱动的贝叶斯物理信息神经网络公式，该公式利用拉普拉斯近似解析计算模型证据，从而实现对多种偏微分方程的损失权重和不确定性量化的高效、无采样的自动优化。
Acoustics-based Active Control of Unsteady Flow Dynamics using Reinforcement Learning Driven Synthetic Jets
本文提出了一种深度强化学习框架，该框架利用远场声学测量作为主要反馈信号来驱动合成射流激励，成功抑制了圆柱后方的非定常尾流动力学，并在不依赖传统速度或压力传感器的情况下实现了辐射噪声和阻力的显著降低。
Diagnosing phase transitions through time-scale entanglement
本文引入了一种名为时间尺度纠缠的新颖纠缠形式，即通过量子张量列车诊断（QTTD）可访问的虚时间尺度之间的纠缠，作为一种通用且无偏的指标，该指标在相变附近普遍增强，并在量子临界点处呈现尺度不变性。
A Quantum Linear Systems Pathway for Solving Differential Equations
本文提出了一种结合块编码与量子奇异值变换（QSVT）求解微分方程的系统性量子路径，展示了其在热方程和 Burgers 方程中的应用，同时提供了关键的硬件资源估算与扩展性分析，阐明了当前局限性与实现量子优势的未来方向。
Consistent Projection of Langevin Dynamics: Preserving Thermodynamics and Kinetics in Coarse-Grained Models
本文提出了一种基于投影的欠阻尼朗之万动力学粗粒化形式，该方法融合了生成器扩展动态模态分解（gEDMD）与热力学插值，以在不同热力学状态下准确保持复杂多尺度系统的热力学和动力学性质。
Crystal Fractional Graph Neural Network for Energy Prediction of High-Entropy Alloys
本文提出了一种晶体分数图神经网络，该网络通过图注意力机制将局部原子环境分析与全局成分数据相结合，以准确预测高熵合金的能量，在包含 1000 多个结构的数据集上实现了第一性原理级别的精度，同时承认当前在处理大晶胞方面存在局限性。