Towards Efficient and Stable Ocean State Forecasting: A Continuous-Time Koopman Approach
本文提出了一种连续时间 Koopman 自编码器（CT-KAE）作为双层准地转海洋系统的轻量级代理模型，通过将其非线性动力学投影为线性常微分方程，实现了比自回归 Transformer 基线更稳定、误差增长有界且推理速度快数个数量级的长时序海洋状态预测。
🔬 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。
Non-intrusive Monitoring of Sealed Microreactor Cores Using Physics-Informed Muon Scattering Tomography With Momentum Measurements
本文提出了一种名为TRec的物理信息框架，通过结合高斯多重库伦散射模型与贝叶斯更新及动量测量，利用宇宙射线μ子散射层析成像技术，实现了对密封微堆芯内缺失燃料的高灵敏度、非侵入式检测，其检测能力显著优于传统方法。
Spin-Orbit Induced Non-Adiabatic Dynamics: An Exact -Representation
该研究通过理论推导与高精度基准测试证明，将分子哈密顿量从表象转换至绝热表象虽能消除自旋轨道耦合，但会引入显著的自旋轨道诱导非绝热耦合，若忽略这些项将导致严重误差，因此表象的单态近似仅在相互作用态能级充分分离时可靠，否则必须显式包含非绝热项。
Frustrated supermolecules: the high-pressure phases of crystalline methane
该研究通过基于密度泛函理论的分子动力学模拟，揭示了高压下甲烷晶体复杂相（如相 A 和相 B）可被理解为近球形超分子团簇的堆积结构，其非立方对称性及相变迟滞源于分子取向对间距的敏感依赖，体现了高效堆积与熵抑制之间的竞争平衡。
An Overview of Relativistic Particle Pushers and their Extension to Arbitrary Order Accuracy
本文全面比较了粒子在细胞（PIC）模拟中的显式相对论粒子推进器，指出其中一类方案可推广至任意高阶精度，并对比了其四阶与二阶变体的性能。
Bayesian Inference for PDE-based Inverse Problems using the Optimization of a Discrete Loss
本文提出了一种名为 B-ODIL 的贝叶斯框架，通过将离散损失优化（ODIL）中的偏微分方程损失作为先验知识并结合数据似然，实现了对 PDE 基逆问题的求解及不确定性量化，并在多维合成基准及脑肿瘤 MRI 成像等实际应用中验证了其有效性。
Energy-Conserving Contact Dynamics of Nonspherical Rigid-Body Particles
本文提出了一种适用于任意凸形刚体粒子的能量守恒接触动力学框架，通过整合顶点 - 边界、顶点 - 面及边 - 边检测机制，实现了对非球形粒子系统在二维和三维空间中无重叠且能量守恒的连续受力模拟，为研究胶体自组装、颗粒流动及复杂非球形粒子系统的非平衡动力学奠定了坚实基础。
Gradient-based optimization of exact stochastic kinetic models
本文提出了一种基于直通 Gumbel-Softmax 估计的梯度优化方法，该方法通过在反向传播中引入连续松弛来近似离散反应事件的梯度，同时在前向传播中保持精确的随机模拟，从而实现了随机动力学模型的高效参数推断与逆设计。
Supervised Metric Regularization Through Alternating Optimization for Multi-Regime Physics-Informed Neural Networks
本文提出了一种名为 TAPINN 的拓扑感知物理信息神经网络，通过监督度量正则化构建潜在空间并采用交替优化策略，有效解决了参数化动力学系统中因谱偏差导致的模态崩溃问题，在显著降低物理残差和梯度方差的同时，以比超网络方案少 5 倍的参数量实现了更稳定的收敛。
Empirical Stability Analysis of Kolmogorov-Arnold Networks in Hard-Constrained Recurrent Physics-Informed Discovery
本文实证研究了将 Kolmogorov-Arnold 网络（KAN）集成到硬约束循环物理信息架构中，发现尽管 KAN 在处理单变量多项式残差时具有一定竞争力，但其在深层配置中表现出严重的超参数脆弱性和不稳定性，且在处理乘法项（如范德波尔系统）时表现不如标准 MLP，揭示了原始 KAN 公式中加法归纳偏置在状态耦合方面的局限性。