1258 artigos
A interseção entre física e computação, conhecida como física computacional, transforma equações complexas em simulações digitais que revelam os segredos do universo. Ao utilizar poderosos algoritmos, os pesquisadores exploram desde o comportamento de partículas subatômicas até a dinâmica de galáxias, preenchendo lacunas onde a teoria pura ou a experimentação direta encontram limites.
No Gist.Science, monitoramos diariamente os novos pré-prints dessa área publicados no arXiv. Para cada documento, oferecemos duas perspectivas essenciais: um resumo técnico detalhado para especialistas e uma explicação em linguagem acessível para quem busca compreender os conceitos sem barreiras matemáticas.
Abaixo, você encontrará os trabalhos mais recentes adicionados a esta categoria, prontos para serem explorados em diferentes níveis de profundidade.
Este trabalho apresenta um método leve para atualizar modelos DMD existentes em projetos de armazenamento de carbono, permitindo ajustes rápidos para mudanças nas propriedades do domínio sem necessidade de retreinamento ou novos dados de simulação, mantendo alta precisão e viabilizando otimização em tempo real.
Este artigo propõe um modelo computacional multiphysics de alta fidelidade para o Reator de Sal Fundido de Nêutrons Rápidos (MSFR) utilizando o código Cardinal e o Método da Matriz de Fissão para resolver as equações de neutrônica de forma eficiente e acoplada à hidrodinâmica computacional.
Este trabalho apresenta uma nova estrutura de simulação baseada em matrizes aleatórias para modelar o transporte de luz polarizada em meios desordenados, utilizando canais de espalhamento estendidos para oferecer um tratamento rigoroso das correlações e insights geométricos sobre o efeito de memória óptica, acompanhado de um código de código aberto.
Este estudo investiga o impacto das transformações orbitais no erro de Trotter para a estimação de fase quântica, concluindo que, embora reduzir sistematicamente esse erro por meio de tais transformações seja desafiador, as bases de orbitais localizadas não geram erros significativos em cálculos moleculares, validando sua eficácia para configurações de estimação de fase.
O artigo apresenta o Scale-PINN, uma estratégia de aprendizado que integra o princípio de correção residual iterativa de solvers numéricos à formulação de perdas de redes neurais físicas, permitindo uma convergência mais rápida e precisa na resolução de equações diferenciais parciais em diversas áreas da ciência e engenharia.
Os autores propõem um método de inicialização baseado em aprendizado de máquina, utilizando regressão por kernel ridge treinada em modelos de ruthenatos, para superar o gargalo de ajuste de banho não convexo na teoria dinâmica de campo médio (DMFT) baseada em diagonalização de Hamiltoniano, resultando em uma convergência mais rápida e robusta para cálculos de sistemas correlacionados como o .
Este artigo apresenta um método de simulação estocástica exata para cadeias de Markov de tempo contínuo que, ao desacoplar a amostragem categórica direta da diferenciação automática por meio de um substituto Gumbel-Softmax, permite a otimização baseada em gradientes em escala massiva e paralela, alcançando precisão e desempenho comparáveis aos simuladores não diferenciáveis em aplicações biológicas e de aprendizado profundo.
Utilizando modelos de casca como teste quantitativo, o estudo demonstra que, embora os fechamentos determinísticos reproduzam estatísticas médias, apenas uma abordagem estocástica do tipo Langevin consegue restaurar o crescimento correto da variância e da incerteza em simulações de turbulência com resolução reduzida, sendo essencial para a previsibilidade desses sistemas.
Este estudo propõe uma abordagem robusta de integração termodinâmica combinada com potenciais de aprendizado de máquina para demonstrar que a estabilidade de fase em perovskitas de haleto metálico é governada principalmente pelas diferenças de energia do estado fundamental, e não por efeitos térmicos específicos do material.
Este estudo utiliza simulações de Monte Carlo quântico por projeção para demonstrar que, embora o modelo de spin-glass 2D-EA apresente um fechamento super-algebraico do gap de energia com caudas pesadas que limitam a eficiência do recozimento quântico, o modelo SK de conectividade total mantém uma distribuição de gap com variância finita e um decaimento mais lento, sugerindo um potencial mais promissor para problemas de otimização densamente conectados.