Physik - Computergestützte Physik

Eine neue Methode zur Schätzung von Energieschranken bei Übergängen zwischen stabilen Zuständen.

Aktive Festkörper verändern Form und Bewegung und haben Einfluss auf verschiedene Bereiche wie Robotik und Medizin.

Maschinenlernen-Techniken verbessern die aktuelle Dichte-Rekonstruktion aus Magnetfeldern.

ELEQTRONeX verbessert das Verständnis von Nicht-Gleichgewichtstransport in Nanomaterialien.

Forscher simulieren winzige molekulare Strukturen, die als mechanische Schalter für fortschrittliche Anwendungen fungieren.

Diese Methode vereinfacht, wie Wissenschaftler Partitionierungsfunktionen mit Tensor-Netzwerken berechnen.

Dieser Artikel untersucht, wie helikale und nicht-helikale Dynamo's magnetische Felder erzeugen.

Neue Methoden verbessern das Verständnis der elektronischen Eigenschaften in Materialien.

Forschung zeigt Verbesserungen bei Lithium-Argyrodit für sicherere, effizientere Batterien.

Forschung zeigt effiziente Polarisationumschaltung in zweidimensionalen gleitenden Ferroelektrika.

Ein neues Tool vereinfacht die Erstellung von potentiellen Energiefeldern für die chemische Forschung.

Erforschung der Nutzung von Quantenkernen zur Vorhersage von molekularen Energiefeldern.

Forschung zeigt, wie mechanische Spannungen die elektronischen Eigenschaften von Graphen verändern.

Taos Methode bietet eine einfache Möglichkeit, die symplektische Struktur in Simulationen aufrechtzuerhalten.

Kombinieren von KI und experimentellen Daten, um Turbulenzmessungen und -vorhersagen zu verbessern.

Innovative Metamaterialien mit einzigartigen Eigenschaften könnten Technologieanwendungen verändern.

COLOSS vereinfacht die Forschung zu nuklearer Streuung durch fortschrittliche Computermethoden.

Dieser Artikel stellt verschiedene Techniken zur Orientierungsmittelung in der Molekülfysik vor.

Untersuchen, wie aktive Teilchen die Tropfenformen und -verhalten verändern.

Neue Methoden verbessern das Training und die Leistung von physik-informierten Kolmogorov-Arnold-Netzwerken.

Dieser Artikel stellt einen neuen Ansatz vor, der neuronale Netzwerke nutzt, um komplexe Strömungen zu untersuchen.

In diesem Artikel geht's darum, wie man maschinelles Lernen einsetzt, um Physikprobleme mit Differentialgleichungen zu lösen.

Forschung zu Elektronenplasmwelllen zeigt, wie Plasmaprozesse und Welleninteraktionen ablaufen.

Eine neue Methode verbessert die Simulationsgenauigkeit von Teilchenkollisionen in Plasma.

Maschinenlernen nutzen, um Spin-Schaum in der Quanten-Schwerkraft zu analysieren.

Studieren von quanten- und klassischer Wechselwirkungen in chemischen Prozessen mit NEO-Theorie.

REMIX verbessert die Fluid-Simulationen, indem es wichtige Probleme angeht, die in traditionellen SPH-Methoden vorkommen.

Eine Methode zur Analyse von Fluidverhalten an scharfen Grenzen und Grenzflächen.

Fortgeschrittene Techniken zur Erfassung von atomaren Bildern verbessern das Verständnis von Materialien.

Venedig ermöglicht genauere astrophysikalische Simulationen, indem verschiedene Prozesse effektiv angepasst werden.

Der BMach-Algorithmus verbessert die Genauigkeit bei der Vorhersage elektronischer Eigenschaften von Materialien.

Studieren, wie konstruierte Formen einzigartige flüssigkristalline Materialien bilden.

Forscher nutzen Deep Learning, um Übergangsmetall-Dichalkogenide mit AFM-Bildern zu klassifizieren.

Ein Blick auf CSEM-Modellierung für Ressourcenexploration und geologische Forschung.

Forscher verbinden geologische Modelle mit Simulationen, um das Verständnis von Erdbeben zu verbessern.

Eine neue Methode mit neuronalen Netzwerken verbessert die Modellierung komplexer elektromagnetischer Felder.

Ein detaillierter Vergleich von zwei Formen von Natriumgermaniumselenid für zukünftige Anwendungen.

Neue Methode verbessert die Vorhersage von Kristallstrukturen in komplexen Materialien.

RINO bietet einen neuen Ansatz, um partielle Differentialgleichungen effizient zu lösen.

Dieser Artikel stellt eine neue Methode vor, um Quantensysteme mit sich verändernden Kräften zu simulieren.