Towards grounded autonomous research: an end-to-end LLM mini research loop on published computational physics
该论文提出了一种面向物理科学的端到端自主研究闭环，通过让大语言模型代理阅读、复现、批判并扩展已发表的论文，在大规模测试中成功识别出大量需通过执行才能发现的实质性问题，并在深度案例中自主完成计算与撰写，产出了一篇修正原论文核心结论的发表级评论。
🔬 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。
Hierarchical generative modeling for the design of multi-component systems
该研究提出了一种结合遗传算法与生成模型的闭环分层生成优化框架，成功实现了多组分系统（如催化剂和酶活性位点）中分子组成与空间构型的协同设计，显著提升了复杂功能系统的自动化发现效率。
Transferable excited-state dynamics enable screening of fluorescent protein chromophores
该研究提出了一种名为 X-MACE 的可迁移机器学习势能面框架，结合曲率驱动表面跳跃方法，仅需少量参考数据即可高效筛选荧光蛋白发色团的激发态动力学，揭示了空间位阻与共轭延伸调控光物理性质的设计原则。
Quantifying Weighted Morphological Content of Large-Scale Structures via Simulation-Based Inference
该研究利用基于模拟的推断框架，证明在红移空间大尺度结构分析中，结合条件导数矩（CMD）与 Minkowski 泛函（MFs）的联合统计量不仅能通过捕捉各向异性特征显著超越单一 MFs 的约束能力，且在特定质量选样下其宇宙学参数（和）的测量精度甚至优于传统的功率谱多极矩。
Spatiotemporal Chaos and Defect Proliferation in Polar-Apolar Active Mixture
该研究通过数值模拟揭示了由极性与非极性自驱动组分构成的活性混合物中，存在一种由半整数拓扑缺陷持续产生与湮灭及高密度混沌带状结构表征的时空混沌相，并展示了非极性组分对极性组分密度和活性变化的非单调响应。
Flow Gym: A framework for the development, benchmarking, training, and deployment of flow-field quantification methods
本文介绍了 Flow Gym，这是一个旨在解决粒子图像测速（PIV）等流场量化方法开发碎片化问题的统一框架，它通过标准化接口、基于 JAX 的硬件加速实现以及模块化组件，支持从算法开发、基准测试到实际部署的全流程，从而提升研究的可复现性并加速技术向实验应用的转化。
Conformal Quantile Regression for Neural Probabilistic Constitutive Modeling
本文提出了一种基于共形分位数回归的神经概率本构建模框架，通过为张量场提供分布无关的不确定性量化，解决了生物软组织建模中因个体差异和微观结构异质性导致的预测可靠性问题，同时确保了热力学一致性并具备计算高效性。
Model density approach to Ewald summations
本文提出了一种通过引入模型电荷密度以抵消晶格电荷分布多极矩的埃瓦尔德求和方法，该方法适用于各类周期性体系并显著加速了收敛速度，同时澄清了 CRYSTAL 代码中沿用数十年的实现细节。
A critical assessment of bonding descriptors for predicting materials properties
该研究通过扩展包含约 13,000 种材料的量子化学成键数据库并构建新的成键描述符，系统评估表明将其融入机器学习模型不仅能显著提升弹性、振动及热力学等性质的预测精度，还能辅助发现如投影力常数和晶格热导率等性质的直观表达式。
Learning noisy phase transition dynamics from stochastic partial differential equations
该论文提出了一种基于通量参数化的物理感知机器学习代理模型，用于求解三维随机 Cahn-Hilliard 方程，该模型通过显式引入随机性并严格保证质量守恒与热力学可解释性，成功复现了确定性模型无法捕捉的热激活成核等关键非平衡相变动力学特征，并展现出卓越的时空泛化能力。