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.

Machine Learning the Strong Disorder Renormalization Group Method for Disordered Quantum Spin Chains

Este artigo apresenta o treinamento de uma rede neural de grafos para inferir a estrutura de emaranhamento de cadeias de spins quânticos desordenadas com interações de longo alcance, demonstrando que o modelo aprende a hierarquia de decimação do Grupo de Renormalização de Desordem Forte (SDRG) e reproduz com alta precisão tanto as propriedades de emaranhamento a temperatura zero quanto as propriedades térmicas, sem necessidade de re-treinamento.

A. Ustyuzhanin, J. Vahedi, S. Kettemann2026-03-06⚛️ quant-ph

The bliss of dimensionality: how an unsupervised criterion identifies optimal low-resolution representations of high-dimensional datasets

O artigo valida o quadro Relevance-Resolution, demonstrando que critérios de seleção de resolução não supervisionados, como a inclinação -1, identificam consistentemente representações de baixa resolução que minimizam a divergência de Kullback-Leibler em relação a distribuições de referência em dados de alta dimensão.

Margherita Mele, Daniel Campos Moreno, Raffaello Potestio2026-03-06🔬 physics