Dynamic Phase Transitions in Mean-Field Ginzburg-Landau Models: Conjugate Fields and Fourier-Mode Scaling
该研究通过高精度数值模拟证实，在平均场金兹堡 - 朗道模型的动态相变中，正确的共轭场是外加场的偶数傅里叶分量，并揭示了序参量在临界周期附近随控制参数和微扰场呈现精确的 和 标度律，且这些标度行为在不同非线性模型中具有鲁棒性。
🔬 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。
Physics Constrained Neural Collision Operators for Variable Hard Sphere Surrogates and Ab Initio Angle Prediction in Direct Simulation Monte Carlo
本文提出了一种物理约束的神经网络碰撞算子框架，通过引入随机层恢复热涨落并严格守恒动量与能量，不仅实现了从一维到二维流动的零样本泛化，还构建了针对 Jäger 势的*ab initio*散射预测模型，从而在保持高保真度的同时显著降低了直接模拟蒙特卡洛（DSMC）在稀薄气体动力学中的计算成本。
Ab Initio Random Matrix Theory of Molecular Electronic Structure
该研究利用从头算电子结构方法，证实了复杂分子（包括苯、丙氨酸及螺旋烯链等）的电子能谱在低对称性几何构型下普遍遵循高斯正交系综的随机矩阵普适性，并进一步揭示了外加磁场对能谱统计特性的影响及其向高斯幺正系综转变的机制。
Emergent Rate Laws for Collective Lying-Standing Transitions
该研究通过第一性原理动力学蒙特卡洛模拟与平均场粗粒化策略，揭示了有机 - 无机界面分子平躺 - 直立转变的集体速率并非源于单一基元步骤，而是由再取向、吸附和扩散等耦合微观过程及几何参数共同决定的涌现规律，并据此建立了连接微观动力学与几何特征的解析表达式，为调控界面生长提供了普适设计原则。
MBD-ML: Many-body dispersion from machine learning for molecules and materials
本文提出了 MBD-ML，一种基于消息传递神经网络的预训练模型，能够直接从原子结构预测计算多体色散（MBD）相互作用所需的原子参数，从而无需中间电子结构计算即可高效、便捷地将高精度范德华力整合到各类电子结构代码及力场中。
A Characteristic Mapping Method with Source Terms: Applications to Ideal Magnetohydrodynamics
本文提出了一种结合杜哈梅尔积分处理源项的广义特征映射方法，通过递归分解显著提升了计算效率，并在二维理想磁流体动力学模拟中验证了其时空三阶精度及对精细电流片的高分辨率捕捉能力。
Scientific machine learning in Hydrology: a unified perspective
本文作为首篇聚焦水文领域的科学机器学习综述，针对现有方法碎片化的问题，提出了一个统一的分类框架以整合各类物理融合建模方法，从而厘清概念、促进累积性进展并指引未来的研究方向。
Self-gravity in thin protoplanetary discs: 1. The smoothing-length approximation versus the exact self-gravity kernel
该论文针对薄原行星盘自引力模拟中传统平滑长度近似的局限性，提出了一种基于修正贝塞尔函数的精确自引力核公式，该方法不仅严格遵循牛顿引力定律并兼容快速傅里叶变换，还揭示了一种仅在极短距离下显现的新型引力不稳定性机制。
Enhancing Heat Sink Efficiency in MOSFETs using Physics Informed Neural Networks: A Systematic Study on Coolant Velocity Estimation
本文提出了一种基于物理信息神经网络（PINNs）的序贯训练方法，通过解耦多层 MOSFET 各层参数优化，有效解决了根据进出口温度反推冷却流速的适定性问题，并验证了该方法在预测结果上与理论解及实验数据的高度一致性。
Combining Quasiparticle Self-Consistent $GW$ and Machine-Learned DFT+ in Search of Half-Metallic Heuslers
本文通过结合准粒子自洽 GW 方法与基于机器学习的 DFT+（利用贝叶斯优化确定值），系统研究了六种与 InAs 晶格匹配的 Co 基和 Ni 基 Heusler 化合物，发现该方法能有效复现 GW 结果，并确定 CoTiSn 和 CoZrAl 最可能是半金属，而 CoMnIn 为近半金属。