Physik - Computergestützte Physik

PhysBERT vereinfacht die Forschung in der Physik und verbessert die Informationssuche sowie Literaturübersichten.

Isotopenverschiebungen geben Einblicke in nukleare Eigenschaften und grundlegende Physik.

KANs verbinden KI und Wissenschaft, vereinfachen komplexe Probleme und verbessern die Forschung.

Ein Blick auf die Verbesserung von Evidenzberechnungen mit bayesianischen Methoden.

VelocityGPT verbessert seismische Modelle mit maschinellem Lernen für tiefere Einblicke.

Forschung kombiniert maschinelles Lernen und Molekularwissenschaft, um die Einblicke in Laserinteraktionen zu verbessern.

Eine neue Methode verbessert die Genauigkeit bei der Berechnung von molekularen Energieunterschieden.

Ein Machine-Learning-Modell verbessert die Ableitung von Meeresbodenstrukturen mithilfe von Wellenbewegungen.

Neue Methoden verbessern die Modellierung des Elektronverhaltens mit Hilfe von Machine-Learning-Techniken.

Ein Blick auf das AutoResonant Trap-Massenspektrometer und seine Vorteile.

Dieser Artikel untersucht, wie Wasser auf molekularer Ebene mit Magnetit interagiert.

Die Rolle der niedrigen Impulsdiffusivität bei der Stabilisierung von Plasma in Fusionsreaktoren untersuchen.

Neue Methoden verbessern die Vorhersage der Schmelztemperatur für die Materialentwicklung.

G2C3 verbessert Simulationen von Plasmakleinwirbel in Fusionsgeräten mithilfe von neuronalen Netzen.

Innovative Techniken zur Simulation offener Quantensysteme mit der Lindblad-Gleichung.

Forschung zeigt wichtige Erkenntnisse über das Ionisierungsvermögen und die molekularen Eigenschaften von RaF.

Die wichtigen Konzepte und Auswirkungen des Stern-Gerlach-Experiments in der Quantenphysik erkunden.

Ein neuer Ansatz zur Analyse des Partikelverhaltens in Flüssigkeiten, der sich auf nicht-sphärische Formen konzentriert.

Ein datengestützter Ansatz zum Verstehen von Lithiumablagerungen in Lithium-Ionen-Batterien.

Ein Blick auf das Verhalten von geladenen Teilchen in verschiedenen Materiezuständen.

Forscher nutzen Quantencomputing, um Elektroneneingriffe in Materialien zu untersuchen.

Forscher verbessern die Genauigkeit der molekularen Modellierung mit Machine-Learning-Techniken.

NMRNet verbessert die Genauigkeit bei der Vorhersage von chemischen Verschiebungen mit Hilfe von Deep-Learning-Techniken.

Diese Studie untersucht Chuas und Lorentz-Schaltungen mit Machine Learning, um neuronales Verhalten zu verstehen.

SOLAX hilft Forschern dabei, komplexe Quantensysteme zu simulieren.

Neue Methode verbessert die Analyse komplexer Systeme durch symplektische Graph-Neurale-Netzwerke.

Ein neuer Ansatz zur Behandlung dynamischer Randbedingungen in Wellengleichungen.

Eine neue Methode verbessert die Leistung von neuronalen Netzwerken bei der Lösung komplexer Physikgleichungen.

Fortgeschrittener Python-Code erleichtert das Studium der Transversitäts-PDFs in der Teilchenphysik.

Neue Methoden kombinieren einfache Modelle mit fortschrittlichen Gittern für eine effiziente Analyse des Untergrunds.

Maschinelles Lernen verändert, wie wir Hadronisierung in der Hochenergiephysik studieren.

Neue Methoden verbessern das Verständnis von Phonon-Interaktionen mit Gitterdefekten in Materialien.

Diese Studie konzentriert sich darauf, wie Partikel auf Oberflächen reagieren und welche Faktoren dabei eine Rolle spielen.

Ein effizientes Verfahren zur Untersuchung des Elektronenverhaltens in Niedertemperaturplasma.

Maschinelles Lernen verbessert die Vorhersage der Wärmeleitfähigkeit von Materialien und spart Zeit und Ressourcen.

Neues DFXM-Modell zeigt Versetzungsstrukturen und deren Einfluss auf das Materialverhalten.

Ein neues Paket macht die Datenanalyse für Forschende in der Laser-Spektroskopie einfacher.

Forscher nutzen M3GNet für effiziente Vorhersagen im Materialverhalten.

Ein Computermodell verbessert das Studium von Schreibersit, einem Mineral, das mit dem frühen Leben verbunden ist.

Eine Methode, um zu untersuchen, wie Ereignisse über die Zeit gruppiert sind.