Machine Learning for Electron-Scale Turbulence Modeling in W7-X
本文提出了一种由机器学习驱动、物理引导的降阶模型，用于预测 Wendelstein 7-X 仿星器中的电子温度梯度（ETG）湍流热通量，该模型通过主动学习和径向插值实现了高精度，但同时也揭示了单一的与半径无关的公式不足以捕捉该装置依赖于几何结构的输运物理特性。
🔬 Category
physics.comp-ph
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。
Exterior complex scaling enables physics-informed neural networks for quantum scattering
这项工作证明了外部复标度变换能将非衰减的散射波函数转化为指数衰减形式，从而使物理信息神经网络首次能够准确求解核散射问题，并为高效的反问题求解和复杂反应建模铺平了道路。
Capturing non-Markovian dynamics in non-equilibrium stochastic systems using flow matching
本文介绍了一种生成式流匹配方法，该方法能够准确捕捉短时随机粒子动力学中的非马尔可夫和非高斯效应，在预测统计矩和首次到达时间方面优于传统的正则化 Dean-Kawasaki 模型。
Six Open Questions in Machine-Learned Interatomic Potential Foundation Models
本文定义了基础机器学习原子间势函数（MLIPs），并阐述了六个预计将引导该领域未来前沿研究的关键开放性问题。
Physics-constrained Gaussian Processes for Predicting Shockwave Hugoniot Curves
Tricriticality and chaos in a generalized Allee-logistic map
本文引入了一种广义的 Allee-逻辑斯谛映射，该映射连接了连续与非连续的灭绝转变，揭示了具有普适标度关系的三角临界性，并证明了 Allee 效应会抑制混沌的出现。
Learning and Inferring Multiphase Flow Dynamics in Porous Media using Scientific Machine Learning: Application to the "FluidFlower" CO2 Injection Experiment
本文提出了一种科学机器学习框架，该框架将卷积神经网络代理模型与贝叶斯推断相结合，旨在高效预测并校准多孔介质中多相二氧化碳-盐水流动力学，通过利用高分辨率“FluidFlower”实验数据，证明了其在参数识别和模拟精度方面较传统方法具有显著改进。
A tensor-train multidimensional inverse Laplace transform
本文引入了一种用于多维逆拉普拉斯变换的张量链（tensor-train）表述方法，该方法通过低秩张量近似与收缩，将计算复杂度从指数级降低至多项式级，从而克服了维度灾难，并在多种多元分布上证明了其有效性。
Wall Shear Stress Reconstruction from Concentration: Differentiable Physics and Physics-Informed Neural Networks
本研究表明，虽然物理信息神经网络（PINNs）仅在具备近壁面测量数据时才能从被动标量数据中重建壁面剪切应力，但一种基于偏微分方程约束优化的可微物理框架，已成功在规范性及患者特异性的心血管流场中多种测量场景下，实现了对壁面剪切应力的准确恢复。