Neural-ISAM: A hybrid in-situ machine learning approach for complex manifold-based combustion models in LES of turbulent flames
本文介绍了一种名为 Neural-ISAM 的混合原位机器学习方法，该方法通过用训练好的神经网络动态替换自适应查表数据库中剪枝的区域，在保持复杂湍流火焰大涡模拟精度的同时显著降低内存需求。
🔬 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。
jNO: A JAX Library for Neural Operator and Foundation Model Training
jNO 是一个统一的、基于 JAX 的库，它通过将数据驱动方法与物理信息方法集成到单一符号追踪系统中，从而简化神经算子和基础模型的训练，使其能够在算子回归、网格感知残差评估和偏微分方程约束优化之间无缝切换，而无需重构代码。
Stochastic tensor contraction for quantum chemistry
本文引入随机张量缩并作为一种高效的计算原语，可降低从头算量子化学中高阶张量运算的成本，具体而言使耦合簇理论能够以平均场标度实现化学精度，并在速度与误差方面显著优于现有的局域关联近似。
CarCrashNet: A Large-Scale Dataset and Hierarchical Neural Solver for Data-Driven Structural Crash Simulation
本文介绍了 CarCrashNet，这是一个大规模开源基准，包含超过 14,000 个部件级和 825 个整车碰撞仿真，以及 CrashSolver，一种分层神经求解器，旨在实现数据驱动、人工智能赋能的车辆安全结构碰撞预测与可复现研究。
A Unified Local Light-shifts Encoding For Solving Optimization Problems on a Rydberg Annealer
本文提出了一种统一框架，通过局域光频移编码将各类 NP 难组合优化问题映射为二次无约束二值优化（QUBO）形式，并结合优化的量子退火协议，在里德堡量子退火器上求解这些问题，同时引入广义难度参数以量化问题复杂度。
Selectivity- and Activity-Aware Catalyst Descriptors for CO Hydrogenation on Alloy Nanocatalysts using Machine-Learned Force Fields
本研究引入了一种基于机器学习力场的晶面分辨吸附能分布框架，用于分析多种合金表面上 140 万个吸附位点，从而识别出能够同时优化二氧化碳加氢反应活性与甲醇选择性的特定组分与取向。
Physics-Informed Reduced-Order Operator Learning for Hyperelasticity in Continuum Micromechanics
本文提出了一种物理信息驱动的降阶算子学习框架，该框架将平衡神经算子与基于 QR 分解的离散经验插值相结合，在确保力学平衡并实现精确应力预测的同时，大幅降低了三维超弹性微观结构代理模型训练与推理的计算成本。
Systematic Comparison between Constrained Transport and Mixed Divergence Cleaning Methods for Astrophysical Magnetohydrodynamic Simulations
本文系统比较了约束输运（CT）与 Dedner 混合散度清洗方法在天体物理磁流体动力学模拟中的应用，揭示后者在涉及局部磁场或时间步长突变的情景中会产生显著伪影与误差，从而表明 CT 通常更为准确可靠，同时提出具体改进措施以增强散度清洗的鲁棒性。
Extending OpenKIM with an Uncertainty Quantification Toolkit for Molecular Modeling
本文在 OpenKIM 框架内的 KLIFF 包中引入了一种不确定性量化工具包扩展，利用并行退火马尔可夫链蒙特卡洛方法评估原子间势中由参数变化和函数形式不足所引发的不确定性，并以硅的 Stillinger–Weber 势为例进行了演示。
An information-matching approach to optimal experimental design and active learning
本文提出了一种可扩展的、基于凸优化的信息匹配方法，该方法利用费雪信息矩阵筛选出最小且高价值的训练数据以准确预测感兴趣量，从而解决各类科学建模与主动学习应用中的数据稀缺与参数不可识别问题。