1164 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 artigo apresenta o AMBer, um quadro baseado em aprendizado por reforço que automatiza a construção de modelos de teoria de sabor de neutrinos, selecionando eficientemente grupos de simetria e atribuições de campos para gerar teorias viáveis com o mínimo de parâmetros livres.
Este artigo apresenta um método rigoroso de localização Bayesiana para microscopia MINFLUX que, ao substituir heurísticas atuais, permite alcançar resolução nanométrica com aproximadamente quatro vezes menos fótons ou exposições.
O artigo apresenta uma abordagem de orbitais naturais congelados de camada aberta baseada na teoria de perturbação ZAPT2 (ZAPT-FNO) que reduz significativamente o espaço virtual necessário para cálculos de química quântica em computadores quânticos, permitindo a simulação eficiente e precisa de estados de camada aberta em moléculas grandes e complexas sem comprometer a qualidade da base.
Os autores propõem um esquema iterativo de aprendizado que combina algoritmos evolutivos, modelos atômicos fundamentais e a aproximação harmônica autoconsistente estocástica (SSCHA) para viabilizar a previsão de estruturas cristalinas com dinâmica de rede anarmônica, superando as limitações de custo computacional e generalização de métodos anteriores.
Este trabalho apresenta uma extensão do eigensolver ChASE para calcular milhares dos menores autovalores positivos de Hamiltonianos pseudo-hermitianos, introduzindo uma variante de projeção de Rayleigh-Ritz obliqua com convergência quadrática e uma implementação paralela otimizada para sistemas exascale.
Este artigo avalia a capacidade de modelos de linguagem grandes (LLMs) de raciocinar tacitamente em física teórica avançada, como teoria quântica de campos e teoria das cordas, demonstrando que, embora apresentem alto desempenho em derivações explícitas, falham sistematicamente na reconstrução de passos de raciocínio omitidos e na reorganização de representações sob restrições de consistência global, revelando as limitações epistêmicas das atuais paradigmas de avaliação.
O SWEEP é uma plataforma unificada e extensível para resolução de equações de onda sísmica que integra diferenciação automática e uma arquitetura modular para facilitar a implementação de métodos de otimização baseados em gradiente, como a inversão de forma de onda completa (FWI) e a migração de tempo reverso de mínimos quadrados (LSRTM).
Este artigo apresenta o LSTM-PINN, um novo framework de rede neural que utiliza mecanismos de memória recursiva para resolver os desafios numéricos de sistemas eletrotérmicos em estado estacionário, preservando a consistência entre múltiplos campos físicos acoplados e superando os métodos tradicionais em precisão e estabilidade.
Este trabalho desenvolve uma abordagem baseada em aprendizado de máquina que utiliza redes neurais convolucionais para classificar feixes de luz estruturada em atmosferas turbulentas e um modelo generativo de difusão para ampliar os dados de treinamento, melhorando a qualidade da geração de modos de alta frequência por meio da minimização da distância de Bregman.
Este artigo propõe e valida uma abordagem híbrida para Redes Neurais Informadas pela Física (PINNs) que utiliza um termo de regularização auxiliar baseado em diferenças finitas para penalizar gradientes do campo residual, demonstrando que essa estratégia melhora significativamente a precisão de grandezas físicas específicas, como o fluxo na parede e o comportamento das condições de contorno, em benchmarks de condução de calor tridimensionais.