2070 artigos
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.
Este artigo revisa e propõe generalizações da forma de Keffer para a constante de Dzyaloshinskii, analisando como suas diferentes contribuições microscópicas afetam as equações macroscópicas de evolução do spin, momento e polarização, além de sugerir uma analogia para o integral de troca no Hamiltoniano de Heisenberg.
Este estudo utiliza o grupo de renormalização de tensores ponderado por ligações para calcular numericamente as razões de funções de partição em modelos de Ising e Potts bidimensionais, demonstrando que seus valores críticos concordam com as previsões da teoria de campo conformal e revelando correções logarítmicas no modelo de Potts de quatro estados.
O artigo investiga o controle geométrico de processos de ramificação catalítica em fronteiras, identificando um problema espectral de Steklov que determina a taxa crítica de absorção necessária para equilibrar o crescimento populacional e estabelecer um estado estacionário, além de revelar um limite acima do qual o controle se torna impossível.
Este artigo apresenta modelos mínimos de ordem entrópica, como o Modelo Ising Aritmético e suas variantes quânticas e de gás, demonstrando que efeitos entrópicos podem induzir a quebra espontânea de simetria e a formação de fases ordenadas ou cristalinas em temperaturas arbitrariamente altas.
Este artigo apresenta uma abordagem para restaurar a esparsidade em máquinas de Potts, combinando uma formulação nativa de dígitos probabilísticos (p-dits) e restrições de campo médio (MFC) para eliminar acoplamentos densos, o que permite uma implementação em FPGA com aceleração de ordens de grandeza em comparação a solucionadores baseados em CPU.
Este artigo apresenta um modelo hierárquico de espelhos de Lorentz que demonstra transporte normal em dimensões e propõe uma lei universal de razão variância-média de para a condutância, validada por evidências numéricas no modelo original tridimensional.
O artigo apresenta o *peapods*, um pacote Python de código aberto e acelerado em Rust para simulações de Monte Carlo de sistemas de spins de Ising, que oferece uma ampla gama de algoritmos de atualização (incluindo métodos de cluster e temperamento paralelo) e validação precisa em redes Bravais periódicas.
Este trabalho verifica numericamente que as relações de flutuação de Jarzynski e Crook são válidas para um sistema não gaussiano, onde uma partícula browniana confinada em um potencial harmônico difunde-se em um banho térmico heterogêneo modelado por uma difusividade flutuante, resultando em uma distribuição de trabalho não gaussiana mesmo em tempos longos.
Este artigo propõe as entropias de grupo como um quadro unificador que estabelece classes de universalidade para sistemas fortemente correlacionados, permitindo a formulação consistente de termodinâmica além do paradigma de Boltzmann-Gibbs e demonstrando que a entropia extensiva e o calor específico negativo emergem naturalmente na termodinâmica de buracos negros.
Este artigo desafia a prática comum de interromper o treinamento de modelos de difusão no mínimo da perda de teste, identificando e quantificando uma fase de "generalização enviesada" em que o modelo continua a reduzir o erro enquanto gera amostras excessivamente próximas aos dados de treinamento devido à natureza sequencial da aprendizagem de características, o que representa um risco crítico para aplicações que exigem privacidade.