🔬 Category
physics.comp-ph
1190 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.
AeTHERON: Autoregressive Topology-aware Heterogeneous Graph Operator Network for Fluid-Structure Interaction
O artigo apresenta o AeTHERON, uma rede de operadores gráficos heterogêneos baseada em aprendizado de máquina que utiliza um viés indutivo físico inspirado no método de fronteira imersa para modelar com alta fidelidade e eficiência computacional a interação fluido-estrutura em caudas flexíveis, demonstrando capacidade de generalização temporal em cenários de escoamento caótico.
Improved third-order scheme in pseudopotential lattice Boltzmann model for multiphase flows
Este trabalho propõe e valida um esquema de terceira ordem aprimorado para o modelo de Boltzmann de rede com pseudopotencial, que suprime eficazmente as oscilações espúrias de velocidade na interface de fases e garante resultados mais confiáveis em simulações de escoamentos multifásicos sem adicionar complexidade computacional.
Coarse-Grained Model of the Sodium Dodecyl Sulfate Anionic Surfactant Based on the MDPD--Martini Force Field
Este artigo apresenta um modelo de dinâmica de partículas dissipativa (MDPD) baseado no campo de forças Martini para o surfactante dodecilsulfato de sódio (SDS), demonstrando sua capacidade de reproduzir com precisão a tensão superficial experimental e oferecer uma alternativa viável e transferível às simulações de dinâmica molecular tradicionais para sistemas com cargas explícitas.
Enhancing Event Reconstruction in Hyper-Kamiokande with Machine Learning: A ResNet Implementation
Este artigo demonstra que a implementação de redes neurais ResNet no framework WatChMaL para o experimento Hyper-Kamiokande alcança precisão de reconstrução de eventos comparável aos métodos tradicionais de máxima verossimilhança, mas com um aumento de velocidade de processamento de até 52.000 vezes, tornando-se uma solução escalável para os vastos conjuntos de dados necessários.
Hierarchical Bayesian calibration of mesoscopic models for ultrasound contrast agents from force spectroscopy data
Este artigo apresenta uma metodologia de calibração bayesiana hierárquica acelerada por redes neurais profundas para desenvolver modelos de dinâmica de partículas dissipativas precisos e informados por dados de microbolhas encapsuladas de contraste ultrassonico, superando os desafios computacionais da inferência direta.
Physics-Informed Neural Networks for Solving Derivative-Constrained PDEs
Este artigo apresenta as DC-PINNs (Physics-Informed Neural Networks com Restrições de Derivada), uma nova estrutura que incorpora restrições não lineares gerais sobre estados e derivadas em redes neurais para resolver EDPs, garantindo maior fidelidade física, estabilidade no treinamento e soluções admissíveis através de um princípio de mínimo objetivo e balanceamento adaptativo de perdas.
Beads, springs and fields: particle-based vs continuum models in cell biophysics
Este artigo de revisão compara as abordagens de modelagem baseada em partículas e de campos contínuos em cinco sistemas biológicos fundamentais, oferecendo um quadro de referência para que teóricos e experimentalistas selecionem estratégias adequadas e identifiquem direções futuras na biofísica celular.
NEPMaker: Active learning of neuroevolution machine learning potential for large cells
O artigo apresenta o NEPMaker, um framework de aprendizado ativo baseado em D-optimalidade que integra o potencial de neuroevolução (NEP) ao pacote GPUMD para permitir a construção escalável e robusta de potenciais de aprendizado de máquina em simulações de grande escala, mitigando erros de extrapolação ao identificar e otimizar ambientes atômicos complexos diretamente durante a simulação.
MolCryst-MLIPs: A Machine-Learned Interatomic Potentials Database for Molecular Crystals
O artigo apresenta o MolCryst-MLIPs, um banco de dados aberto de potenciais interatômicos aprendidos por máquina para cristais moleculares, contendo modelos MACE fine-tuned para nove sistemas desenvolvidos por meio de um pipeline automatizado e validados para simulações de dinâmica molecular de polimorfismo.