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 aplica o método de transformação canônica neural (NCT) em coordenadas atômicas para calcular com sucesso os estados fundamentais e excitados do metano protonado (CH5+), demonstrando a eficácia da abordagem em lidar com os efeitos quânticos nucleares e as anarmonicidades de moléculas fluxionais sem geometria fixa.
Este trabalho generaliza o método de ajuste de densidade separável interpolativa (ISDF) para grades reais adaptativas, permitindo a compressão eficiente de integrais de repulsão eletrônica para bases altamente localizadas e viabilizando simulações de estrutura eletrônica escaláveis para sistemas com bases de todos os elétrons anteriormente intratáveis.
Este artigo apresenta um novo framework de expansão de clusters estocástica que permite calcular com alta precisão a energia de correlação total de grandes sistemas condensados, sem a necessidade de selecionar previamente um espaço ativo, superando assim as limitações de custo computacional e a dificuldade de definição de subsistemas em métodos tradicionais.
Usando Simulação Numérica Limpa (CNS), o artigo fornece evidências numéricas de que as equações de Navier-Stokes podem admitir soluções globais distintas a partir de condições iniciais quase idênticas, com diferenças da ordem de , oferecendo novos insights para o problema do Milênio sobre a unicidade e existência dessas soluções.
Este trabalho apresenta o StrAPS, uma ferramenta automática que utiliza o espectro de potência angular do fator de estrutura 3D para discriminar e identificar morfologias em copolímeros em bloco sem depender de expertise manual ou de um catálogo prévio de estruturas.
Este artigo apresenta um framework de algoritmo quântico para simular a formação de imagens em microscopia eletrônica de transmissão de contraste de fase, demonstrando vantagem computacional para consultas no espaço de Fourier e observáveis coerentes, embora a reconstrução completa da imagem exija medições clássicas.
Este artigo propõe um solucionador em domínio espectral acionado pela física que utiliza redes neurais não treinadas para resolver problemas de espalhamento inverso altamente não lineares, alcançando reconstruções em tempo real com alta fidelidade e robustez através da redução dimensional e de correções de contraste.
Este trabalho demonstra a eficácia de Redes Neurais Informadas por Física (PINNs) como solucionadores livres de malha para sistemas acoplados de ondas eletroelastodinâmicas unidimensionais, alcançando baixos erros relativos na previsão de deslocamento mecânico e potencial elétrico através de uma otimização de perda em três estágios.
Este artigo apresenta um estimador de erro anisotrópico orientado a objetivos, baseado no método Dual Weighted Residual (DWR), que utiliza elementos finitos descontínuos e refinamento hp anisotrópico para resolver com eficiência problemas de transporte dominados por convecção em múltiplas dimensões espaciais.
O artigo apresenta um framework generativo que integra modelos de linguagem de grande escala com um motor de rastreamento de raios diferenciável para automatizar o projeto de sistemas ópticos refrativos de alta performance, traduzindo requisitos semânticos em prescrições ópticas válidas e difração-limitadas.