A área de Mecânica Estatística na Física da Matéria Condensada explora como o comportamento coletivo de milhões de partículas gera propriedades macroscópicas que vemos no dia a dia, como a condutividade elétrica ou a formação de cristais. Em vez de analisar cada átomo individualmente, os cientistas utilizam métodos estatísticos para entender padrões complexos e previsíveis que surgem dessas interações em escala gigantesca.

No Gist.Science, selecionamos e processamos automaticamente cada novo pré-impresso enviado ao arXiv nesta categoria específica. Nosso objetivo é tornar esses estudos avançados acessíveis a todos, oferecendo tanto resumos técnicos detalhados para especialistas quanto explicações em linguagem simples para quem busca compreender os conceitos fundamentais sem barreiras linguísticas.

Abaixo, você encontra a lista atualizada dos últimos artigos publicados nesta interseção fascinante da física, prontos para serem lidos e compreendidos.

Information bounds the robustness of self-organized systems

O artigo demonstra que a robustez de sistemas auto-organizados é limitada por restrições fundamentais de informação, estabelecendo um limite para a capacidade de codificação posicional em sistemas de curto alcance e mostrando como mecanismos de feedback global ou correlações de longo alcance podem contornar essas limitações.

Nicolas Romeo, David G. Martin, Mattia Scandolo, Michel Fruchart, Edwin M. Munro, Vincenzo Vitelli2026-02-10🔬 cond-mat

Berezinskii-Kosterlitz-Thouless phase transitions of the antiferromagnetic Ising model with ferromagnetic next-nearest-neighbor interactions on the kagome lattice

O estudo investiga o modelo Ising antiferromagnético com interações ferromagnéticas de vizinhos de segunda ordem na rede kagome, identificando duas transições de Berezinskii-Kosterlitz-Thouless e confirmando a universalidade do modelo de relógio de seis estados por meio de espectroscopia de níveis, simulações de Monte Carlo e aprendizado de máquina.

Yutaka Okabe, Hiromi Otsuka2026-02-10🔬 cond-mat

Homing through Reinforcement Learning

Este trabalho apresenta um framework de Aprendizado por Reforço para modelar a navegação adaptativa de agentes em um domínio bidimensional, demonstrando que a otimização de trajetórias via aprendizado de custo permite uma busca eficiente pelo alvo, apresentando desempenho superior a partículas brownianas ativas e revelando comportamentos complexos de coordenação em sistemas multiagentes.

Riya Singh, Pratikshya Jena, Anish Kumar, Shradha Mishra2026-02-10🔬 cond-mat

Uphill transport in competitive drift-diffusion models with volume exclusion

Este artigo investiga o fenômeno de transporte "uphill" (fluxo contra o gradiente de concentração) em modelos de difusão-deriva com exclusão de volume, demonstrando como esse regime emerge de processos de exclusão multiespécies e conectando modelos de partículas a descrições contínuas, como o modelo Poisson-Nernst-Planck, com aplicações potenciais em tecnologias de escala nanométrica.

Francesco Casini, Cristian GiardinÃ, Jacopo Nicolini, Luca Selmi, Cecilia Vernia2026-02-10🔢 math-ph