physics.comp-ph 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。

该研究利用 M3D-C1 代码对 SPARC 基准情景进行了首次全面模拟，揭示了低 $n$ 内撕裂模的不稳定性特征及其引发的锯齿振荡机制，为评估未来聚变堆的粒子与热输运性能奠定了基础。

该论文提出了一种“冻结 - 释放”直接优化策略，通过分步最小化能量并避免变分坍塌，成功解决了传统方法难以处理的激发态轨道变分优化问题，特别是在无需长程精确交换的情况下准确描述了分子间电荷转移激发态的能量随距离变化的特性。

本文作为一份面向热科学界的动态更新文件，旨在通过探索算法与硬件性能，特别是以具有丰富数学基础的导热问题为切入点，评估量子计算在工程应用中的潜力并寻求量子优势的实证。

该论文提出了一种名为点群序参量（PGOP）的新方法，用于连续量化复杂粒子系统中的局部点群对称性，并发布了开源软件包 SPATULA 以支持其在不同结晶体系中的应用与性能评估。

该论文提出了一种名为“预测器驱动扩散”的新框架，通过结合基于重整化群的空间粗粒化与路径积分时间动力学，利用尺度依赖的拉普拉斯阻尼和加性噪声构建粗粒化场层级，从而在统一框架下有效解决了多尺度时空生成中的尺度耦合难题，并实现了模拟、无条件生成及超分辨率的融合。

本文提出了一种名为 SAT3-NN 的新型神经网络框架，利用非线性 CGYRO 模拟数据训练，能够比现有模型更准确地从线性陀螺动理学数据预测湍流输运的准线性饱和势及通量。

本文提出了一种名为 BuSyNet 的深度学习架构，通过结合量纲一致性与辛几何约束，将轨迹映射为作用 - 角变量以发现具有物理可解释性的符号化哈密顿量表达式，从而在长时预测精度、稳定性及可解释性上超越了现有方法。

本文通过在 FreeGSNKE 脉冲设计工具中进行的闭环仿真验证，证明了利用神经网络代理模型实时模拟虚拟电路（VCs）能够有效且稳健地控制 MAST-U 托卡马克等离子体形状，为其实时部署奠定了关键基础。

该论文提出了一种名为 Equitrain 的基于 LoRA 的微调框架，证明仅需极少量额外数据即可显著提升机器学习原子间势在声子谱及热学性质预测方面的精度，且其性能优于从头训练或预训练模型。

该论文提出了一种名为“模拟分叉量子退火”（SBQA）的量子启发式优化算法，它通过引入副本间相互作用来模拟量子隧穿效应，从而在稀疏和崎岖的能量景观问题上显著提升了性能，并确立了其作为实用优化启发式方法及更强经典基准的地位。