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。

该研究通过引入基于物理信息的两阶段剪枝策略，成功将神经网络背流方法扩展至第一性原理固体计算，在保持可扩展性的同时实现了氢链、石墨烯和硅等多种固体体系的高精度基态能量模拟。

该论文通过在一维量子谐振子、热传导方程、逆建模及计算科学等经典基准问题上构建可复现的 AI 辅助科研流程，展示了在严格验证与基准理论约束下，当代人工智能可作为值得信赖的科研副驾驶，有效辅助推导、实现、验证及论文撰写。

该研究提出了一种基于贝叶斯推断的实时概率海啸预报框架，利用假设的 175 个海底压力传感器网络，在离线预计算与在线数据同化的结合下，能够在一秒内对卡斯卡迪亚俯冲带的部分破裂和全破裂两种情景实现低误差的海啸预测。

该研究提出了一种结合卷积自编码器与神经常微分方程（CAE-NODE）的新框架，通过构建低维连续潜流形，实现了对二维瞬态对流火焰复杂动力学过程（包括点火、传播及过渡）的高精度代理建模，其相对误差低于 2%。

本文介绍了 ANNA 工具箱，这是一个用于计算引力波探测器牛顿噪声的 MATLAB/Octave/Python 工具，它通过高斯求积法在有限元网格上高效处理地震波场，从而在均匀及非均匀介质中精确量化体波与面波对测试质量的引力耦合效应。

该论文提出了一种针对物理信息神经网络（PINNs）的轻量级后处理方法，通过利用有限差分法求解由 PINN 残差驱动的误差方程，在无需真实解的情况下生成点态误差估计，从而实现对线性偏微分方程预测结果的可解释性验证与信任构建。

本文提出了一种基于波导方法与神经网络混合的新型波导神经算子（WGNO），并展示了物理信息神经网络与神经算子在模拟极紫外光刻掩模衍射问题时，相较于传统数值解法具备更高的预测效率、优异的泛化能力以及竞争性的计算精度。

DRIFT-Net 提出了一种双分支神经算子架构，通过融合负责全局低频信息的谱分支与关注局部细节的图像分支，有效解决了现有注意力机制在 PDE 求解中因全局耦合不足导致的误差累积与漂移问题，从而在 Navier-Stokes 等基准测试中实现了更低的误差、更少的参数量及更高的推理吞吐量。

该论文通过实证揭示了单层物理信息神经网络在求解非线性偏微分方程时存在由谱偏差导致的优化瓶颈，即网络宽度增加无法降低误差且非线性会加剧这一病理现象，表明其性能受限主要源于优化困难而非近似能力不足。

该研究利用基于陀螺矩方法的自洽全 $f$ 漂移动理学和 $\delta$ f陀螺动理学模拟，在LAPD线性装置参数下揭示了离子分布函数近似为双麦克斯韦分布、大尺度场与小尺度湍流在物理碰撞率下解耦，以及开尔文 - 亥姆霍兹不稳定性主导湍流等关键物理机制。