Comparison of inviscid and viscous vortex shedding from translating and rotating plates
本研究通过将无粘涡片模型与纳维-斯托克斯模拟在约70种中等雷诺数下的非定常板运动中进行对比，证明了该无粘方法在物体主导机制下能准确预测作用力和流场结构，但在流体主导构型下的低攻角状态中表现出精度下降。
🔬 Category
physics.comp-ph
917 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。
A Demonstration of a Neural Network as a Bridge Between Galaxy Simulations and Surveys
本文表明，一个在基于 SHARK 半解析模型生成的合成星系上训练的简单单隐藏层神经网络，仅利用绝对星等和颜色指数，即可准确预测真实 GAMA 巡天星系的恒星质量，其散射度约为 0.131 dex，并证明了在星系演化研究中，复杂的深度学习架构对于稳健的模拟到观测迁移而言并非必要。
Generalized Finite Differences Method Applied to Finite Photonic Crystal
本文提出了一种在频域内进行广义有限差分的方法，该方法通过对基本域进行离散化来计算有限光子晶体的光子能带结构，并通过在光学腔中的一维晶体上验证其有效性，同时分析了向无限系统的过渡。
TTNOpt: Tree tensor network package for high-rank tensor compression
该论文介绍了 TTNOpt，这是一个利用树张量网络来高效计算量子自旋系统的基态和物理性质，同时通过基于纠缠模式优化网络结构来进行高维数据分析的高秩张量压缩的软件包。
High-temperature series expansion of the dynamic Matsubara spin correlator
本文将高温级数展开扩展到海森堡模型的动态马松巴（Matsubara）自旋相关函数，为任意晶格提供了预计算至第12阶的精确展开系数，以实现静态磁化率和实频动态结构因子的计算。
Quantification of the cascading tipping probability from the AMOC to the Amazon rainforest
本研究利用耦合概念模型上的 TAMS 稀有事件算法，量化了从大西洋经向翻转环流（AMOC）崩溃到亚马逊雨林退化的连锁式临界转换概率，结果表明，虽然在 200 年内发生巴西西北部此类转变的可能性极低，但其严格取决于此前由 AMOC 崩溃所引发的严重干旱和火灾风险。
Persistent Charge and Spin Currents in a Ferromagnetic Hatano-Nelson Ring
本文研究了铁磁 Hatano-Nelson 环中持续存在的电荷流与自旋流，展示了非互易跳迁如何诱导非厄米阿哈罗诺夫-波姆效应，并揭示了在各种拓扑和参数机制下，无序竟能放大自旋输运。
Exploiting biased noise in variational quantum models
本文通过证明在变分量子算法中保留有偏的、非幺正的噪声实际上可以增强经典优化并产生更好的解，而通常用于对称化噪声的标准扭转技术往往会降低性能，从而挑战了传统的噪声缓解策略。
Numerical model for pellet rocket acceleration in PELOTON
本文在 PELOTON 代码框架内提出了一种经过验证的数值模型，该模型通过考虑烧蚀云的不对称性和等离子体梯度，模拟了热核聚变装置中的颗粒火箭加速过程，证明了其与 JET 实验轨迹的一致性，并揭示了氘-氖复合颗粒的偏差有所降低。
Streaming Operator Inference for Model Reduction of Large-Scale Dynamical Systems
本文提出了流式算子推理（Streaming Operator Inference），这是一种非侵入式模型降阶框架，它利用增量奇异值分解（SVD）和递归最小二乘法从序列数据流中学习准确的降阶模型，从而克服了传统批量方法的内存限制，并实现了大规模动力系统的在线自适应。