Structure-Preserving Neural Surrogates with Tractable Uncertainty Quantification
本文通过将混合有限元空间与高斯过程回归相结合,引入了一种用于构建实时、保持结构的偏微分方程神经代理模型的创新框架,以实现可处理的不确定性量化和闭式后验误差界。
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。
本文通过将混合有限元空间与高斯过程回归相结合,引入了一种用于构建实时、保持结构的偏微分方程神经代理模型的创新框架,以实现可处理的不确定性量化和闭式后验误差界。
本文介绍了一种混合深度学习框架,该框架利用多尺度卷积神经网络在 JAX 中对概率元胞自动机模型进行动态参数化,通过捕捉复杂的环境相互作用并保持物理可解释性,显著提高了对美国大规模火灾蔓延预测的准确性。
本研究表明,虽然晶粒几何形状的微观结构异质性影响较小,但晶界粘度的宽分布可以抑制并拓宽弹性调节晶界滑移的特征德拜型峰值,使其变为微弱的背景,从而在不否定该机制对上地幔地震衰减相关性的前提下,解释了干橄榄石实验中缺乏显著峰值的现象。
本文介绍了 fitPALSpectra,这是一个开源 Python 工作流,旨在通过提供一个可配置的工具,利用经过验证能准确恢复合成数据上真实参数的解析集成指数-高斯模型,来解决正电子湮灭寿命谱(PALS)数据分析中的挑战,从而实现对光谱的模拟、拟合和可视化。
本文提出了一种用于动力学等离子体模拟的混合 Hermite-Legendre 光谱方法,该方法结合了 Hermite 多项式在处理近麦克斯韦分布方面的效率与 Legendre 多项式在解析局部非麦克斯韦特征方面的能力,在保持相当计算成本的同时,实现了更高的精度和物理不变性的守恒。
本文介绍了一种用于准粒子自洽 $GW\mathrm{qs}GW$ 相当的准确度的同时,提供了与高层级 CCSD(T) 参考值更好的符合度。
本文介绍了通用几何神经惠特尼形式(General-Geometry Neural Whitney Forms, Geo-NeW),这是一种数据驱动的有限元方法,通过共同学习微分算子与相容的缩减空间,以在求解偏微分方程时保持物理守恒律,并实现对未见几何形状的卓越泛化能力。
本文建立了一个将封闭系统神经网络集成与核反应理论中的开放系统类比进行比较的理论框架,并最终得出结论:由于缺乏连续谱和波动行为,后者独特的非厄米动力学在主流学习中结构性地缺失,从而将运行不确定性的真正来源定位在封闭系统的对应关系之中。
本文通过证明矩阵乘积态(MPS)中的规范自由度诱导了有效的局部过度参数化,从而消除了糟糕的局部极小值并将其集中在全局极小值附近,解决了矩阵乘积态尽管存在量子电路普遍训练难题却仍具有高度可训练性的这一悖论。
本文介绍了 Graphlet-MP,这是一个综合性的数据库和开源工具包,它为超过 149,000 种无机晶体提供了具有可解释性且数据高效的图元直方图表示,从而在实验数据稀缺的情况下实现材料属性预测。