903 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 investiga uma abordagem alternativa de busca de caminhos, utilizando o algoritmo A* para calcular o parâmetro de centrosimetria de emparelhamento de peso mínimo, oferecendo uma solução potencial para as falhas identificadas nos métodos existentes de análise de dinâmica molecular.
Este artigo apresenta um método unificado de onda-partícula cinética de gás (UGKWP) para simular misturas gasosas binárias multiescala que captura com precisão as diferenças de velocidade e temperatura específicas de cada espécie através de regimes contínuos a rarefeitos, integrando um modelo de equilíbrio corrigido, correção do número de Prandtl baseada em Shakhov e mecanismos de transporte de partículas aprimorados, ao mesmo tempo que demonstra forte concordância com os resultados do DSMC para escoamentos hipersônicos.
Este estudo combina cálculos de primeiros princípios de DFT com experimentos de recozimento em ultra-alta pressão para demonstrar que a difusão de silício em nitreto de gálio é extremamente limitada devido a barreiras de ativação proibitivamente altas, confirmando assim a estabilidade do material para dopagem precisa em aplicações eletrônicas avançadas.
Este estudo demonstra que campos de força aprendidos por máquina, treinados em dados de cluster acoplado e aprimorados por abordagens de aprendizado delta e conscientes de carga para lidar com efeitos de longo alcance e limitações de dados, alcançam precisão superior na previsão de dispersões de fônons e propriedades vibracionais anarmônicas para diamante e hidreto de lítio em comparação com a teoria do funcional da densidade tradicional.
Pesquisadores simularam com sucesso, pela primeira vez, um computador quântico universal de 50 qubits no supercomputador exascala JUPITER da Europa, aproveitando sua arquitetura heterogênea GH200 por meio de três inovações-chave: utilização estendida de memória por meio de interconexões CPU-GPU, codificação adaptativa de dados e um otimizador de tráfego de rede em tempo real, alcançando uma aceleração de 16,6 vezes em relação aos registros anteriores.
Este artigo demonstra que a incorporação de projeção de rótulos e de uma rede de incorporação inovadora em redes generativas adversariais condicionais melhora significativamente a eficiência e a precisão do projeto inverso de nanoestruturas plasmônicas a partir de espectros de seção de choque de extinção, alcançando uma redução de erro de uma ordem de grandeza e uma convergência mais rápida em diferentes arquiteturas.
Este artigo apresenta uma estrutura de rede neural convolucional informada por física que prevê com precisão campos de velocidade em escala de poros em meios porosos complexos, integrando restrições físicas ao processo de treinamento, permitindo assim uma aceleração significativa das simulações de Lattice-Boltzmann por meio da melhoria das condições iniciais.
Este artigo demonstra que modelos de linguagem grandes multimodais podem utilizar efetivamente os índices de Miller como variáveis latentes estruturadas para raciocinar sobre a geometria de fraturas, inferindo com fiabilidade hipóteses de planos em cenários idealizados enquanto rejeitam corretamente tais representações quando a física subjacente não as suporta em diversas classes de materiais.
Este artigo apresenta a Lumina, uma estrutura modular baseada em Python que unifica dados de materiais multiescala fragmentados para regimes extremos aero-químico-termo-mecânicos em um ecossistema centralizado e aumentado por inteligência artificial, a fim de otimizar o projeto experimental, validar comportamentos químicos e aprimorar a modelagem preditiva para aplicações avançadas de defesa e aeroespacial.
Este artigo apresenta um quadro de aprendizagem por reforço relativo ao vento para navegação olfativa em ambientes turbulentos, demonstrando que um agente que utiliza apenas o tempo decorrido desde a última deteção de odor e uma direção do vento estimada localmente pode superar estratégias tradicionais e adaptar o seu comportamento com base na qualidade da estimativa do vento, tanto em vento médio como em turbulência isotrópica.