1259 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 estudo utiliza simulações atomísticas e aprendizado de máquina para investigar as resistências locais ao deslizamento de discordâncias em ligas de alta entropia refratárias, desenvolvendo um modelo preditivo para a tensão de escoamento baseado em propriedades como constante elástica e distorção de rede.
O DISCOVER é um novo framework de regressão simbólica de código aberto, acelerado por GPU e orientado pela física, projetado para descobrir descritores matemáticos interpretáveis e escaláveis para aplicações em ciência dos materiais, química e física computacional.
Este estudo desenvolve uma rede neural informada pela física com compatibilidade retardada (LBC-PINN) para simular e inverter a consolidação de solos não saturados, utilizando segmentação temporal logarítmica e aprendizado por transferência para lidar com a dissipação de pressões de ar e água em escalas de tempo multiescala.
O artigo propõe o HEDMoL, um método de aprendizado de representação molecular que utiliza informações de nível eletrônico de moléculas pequenas para melhorar a precisão na previsão de propriedades físicas de moléculas maiores, sem aumentar os custos computacionais.
Este trabalho apresenta uma avaliação sistemática do desempenho de *Deep Material Networks* (DMNs), investigando como escolhas de treinamento influenciam a precisão e a eficiência computacional, além de demonstrar que a formulação IMN oferece maior rapidez no treinamento sem comprometer a precisão das previsões.
Este comentário revisita o marco de 2009 que introduziu o algoritmo *Event-Chain Monte Carlo* (ECMC) e demonstra como sua transição do equilíbrio detalhado para o equilíbrio global permitiu generalizar uma técnica de amostragem sem rejeição para potenciais contínuos e formalismos modernos de cadeias de Markov.
Este estudo investiga a viabilidade da Teoria do Funcional da Densidade de Conjunto (EDFT) para calcular band gaps em sistemas periódicos, utilizando o modelo unidimensional de Kronig-Penney para demonstrar que a EDFT fornece uma correção positiva e promissora em relação ao limite termodinâmico.
Este estudo compara os modelos de Borgnakke-Larsen e Pullin para a troca de energia rotacional em gases diatômicos via método DSMC, concluindo que o modelo de Pullin oferece uma base teórica mais rigorosa e consistente, mantendo um desempenho comparável ao modelo tradicional em regimes de escoamento altamente rarefeitos.
Este estudo demonstra que o uso de *compressed sensing* com células sobrepostas permite reduzir o uso de memória em simulações de Monte Carlo de até 81,25% em 2D e 96,25% em 3D, mantendo uma alta precisão na reconstrução dos resultados.
O artigo propõe um novo operador de refinamento de malha adaptativa (AMR) baseado em octrees que garante a conservação global de campos em simulações de longa duração, utilizando uma projeção para mitigar o erro de deriva sistemática durante o processo de coalescência (coarsening).