Physik - Computergestützte Physik

Ein Überblick über symplektomorphe neuronale Netze und deren Bedeutung in Hamiltonschen Systemen.

Neuer Ansatz verbessert die Turbulenzsimulation mit Hilfe von Deep Learning und physikbasierten Methoden.

Eine neue Methode verbessert Quantenalgorithmen zur effektiveren Lösung linearer Gleichungen.

Erforschung von Monte-Carlo-Methoden zur Untersuchung des Verhaltens von glasbildenden Flüssigkeiten.

Dieser Ansatz verbindet Physik mit Optimierung für bessere Lösungen.

Eine neue Methode, um kleine Partikel mit Licht und Temperaturunterschieden einzufangen.

Neue Methoden verbessern Plasmasimulationen für ein besseres Verständnis und Anwendungen.

Untersuchung der Bedeutung von Vier-Phonon-Interaktionen in thermoelectric Materialien.

Dieser Artikel untersucht binäre Neutronensterne, ihre Verschmelzungen und die Bedeutung von Anfangsdaten.

Ein Blick auf nicht-relativistische Quasinormalmodi und ihre Auswirkungen in der Physik.

Entdecke, wie maschinelles Lernen die Ergebnisse von atomaren Interaktionen vorhersagt.

Forschung zeigt komplexe Wechselwirkungen bei der Spinentspannung und deren Auswirkungen.

Ein Blick auf die kleinsten Bestandteile der Materie und ihre Wechselwirkungen.

Diese Methode verbessert das Verständnis des Verhaltens von Modellen durch Eingabe-Ausgabe-Beziehungen.

Lern, wie TCI grosse Daten in kleinere Teile zerlegt, damit die Analyse einfacher wird.

Untersuchung der Luftströmungsübergänge bei hypersonischen Geschwindigkeiten und deren Einfluss auf die Sicherheit von Fahrzeugen.

Eine Studie über den Einsatz von neuronalen Netzen zur Simulation von Materialphasedynamik.

Eine Methode zur Verbesserung der Genauigkeit von Bessel-Funktions-Approximationen für reale Anwendungen.

Ein Blick darauf, wie die Netzwerktheorie die Beziehungen von Galaxien im Coma-Superhaufen offenbart.

Forscher schlagen Interaktions-Glühen vor, um das Verständnis von komplexen Materialien wie WTe zu verbessern.

Neue Methoden verbessern die Vorhersagen über das Verhalten von Materialien unter unterschiedlichen Bedingungen.

Forschung zeigt neue Strukturen, um die ionische Leitfähigkeit in Energiespeichermaterialien zu verbessern.

TPDH-Graphen sieht vielversprechend aus, um die Leistung und Langlebigkeit von Lithium-Ionen-Batterien zu verbessern.

Maschinelles Lernen nutzen, um die Interpretierbarkeit von molekularen Simulationen zu verbessern.

Neue Methoden verbessern die Simulation der Fermionendynamik in verschiedenen Systemen.

Ein Blick auf das Verhalten von Neutronen und deren Bedeutung in nuklearen Anwendungen.

Entdecke, wie die Eigenschaften von Flüssigkeiten komplexe Muster in Hele-Shaw-Strömungsexperimenten beeinflussen.

In diesem Artikel wird eine Technik vorgestellt, um das Studieren von Quantensystemen mit dem JD-Algorithmus zu vereinfachen.

Daten und maschinelles Lernen verändern, wie Wissenschaftler neue Materialien finden.

Neue Methoden verbessern die Effizienz und Genauigkeit in der Modellierung der elektronischen Struktur.

Neue Methoden verbessern die Lichtmanipulation in Nanostrukturen für mehr Energieeffizienz.

Ein Blick auf SrCuTeWO und seine einzigartigen nichtmagnetischen Eigenschaften.

Neue Methode verbessert Geschwindigkeit und Genauigkeit bei Gassimulationen.

Neue Techniken verbessern die Eigenwertberechnungen für komplexe Matrizen effizient.

Untersuchung von Methoden zur Anwendung von Randbedingungen in den Simulationen der Schrödinger-Gleichung.

Diese Studie untersucht, wie schnelle und langsame aktive Partikel in Mischungen interagieren.

Die Verwendung von GNNs zur Vorhersage der optischen Eigenschaften von Materialien verbessert das Design von Geräten.

Ein neuer Ansatz, um die Ursprünge von Gammastrahlenausbrüchen mit maschinellem Lernen zu verstehen.

Ein vereinfachter Ansatz zur Identifizierung von Kristallstrukturen mithilfe von Partikelkoordinaten.

Diese Studie modelliert gerade und kreisförmige Schwimmer in der Fluiddynamik.