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 apresenta o Neural-ISAM, um método híbrido de aprendizado de máquina in-situ que substitui dinamicamente regiões podadas de bancos de dados de tabulação adaptativa por redes neurais treinadas para reduzir significativamente os requisitos de memória, mantendo a precisão em simulações de grandes redemoinhos de chamas turbulentas complexas.
jNO é uma biblioteca unificada e nativa do JAX que otimiza o treinamento de operadores neurais e modelos fundamentais ao integrar abordagens baseadas em dados e informadas pela física em um único sistema de rastreamento simbólico, permitindo transições contínuas entre regressão de operadores, avaliação de resíduos conscientes de malha e otimização com restrições de EDP sem reestruturação de código.
Este artigo introduz a contração estocástica de tensores como um primitivo computacional altamente eficiente que reduz o custo de operações de tensores de alta ordem em química quântica ab initio, permitindo especificamente que a teoria de clusters acoplados atinja precisão química com escalamento de campo médio e supere significativamente as aproximações existentes de correlação local tanto em velocidade quanto em erro.
Este artigo apresenta o CarCrashNet, um benchmark de código aberto em larga escala que compreende mais de 14.000 simulações de colisão em nível de componente e 825 simulações de colisão de veículos completos, juntamente com o CrashSolver, um solver neural hierárquico projetado para permitir a previsão estrutural de colisões baseada em dados e impulsionada por IA, bem como pesquisas reprodutíveis em segurança veicular.
Este artigo apresenta uma estrutura unificada para resolver diversos problemas de otimização combinatória NP-difíceis em um annealer quântico de Rydberg, mapeando-os para um formalismo QUBO por meio de codificação por deslocamentos de luz locais e um protocolo de annealing quântico otimizado, ao mesmo tempo em que introduz um parâmetro de dificuldade generalizado para quantificar a complexidade do problema.
Este estudo introduz um quadro de distribuição de energia de adsorção resolvido por facetas, utilizando campos de força aprendidos por máquina para analisar 1,4 milhão de sítios de adsorção em diversas superfícies de ligas, identificando assim composições e orientações específicas que otimizam tanto a atividade quanto a seletividade a metanol para a hidrogenação de CO.
Este artigo apresenta um framework de aprendizado de operadores reduzidos informados por física que combina Operadores Neurais de Equilíbrio com interpolação empírica discreta baseada em QR para reduzir drasticamente o custo computacional do treinamento e da inferência de modelos substitutos de microestruturas hiperelásticas 3D, ao mesmo tempo em que garante o equilíbrio mecânico e permite previsões precisas de tensões.
Este artigo compara sistematicamente o Transporte Constrained (CT) e os métodos de limpeza de divergência mista de Dedner para simulações de MHD astrofísicas, revelando que o último pode produzir artefatos e imprecisões significativas em cenários envolvendo campos magnéticos localizados ou mudanças súbitas no passo de tempo, sugerindo assim que o CT é geralmente mais preciso e confiável, ao mesmo tempo que propõe modificações específicas para melhorar a robustez da limpeza de divergência.
Este artigo apresenta uma extensão de kit de quantificação de incerteza para o pacote KLIFF no âmbito do framework OpenKIM, utilizando cadeias de Markov Monte Carlo com temperamento paralelo para avaliar incertezas decorrentes tanto de variações de parâmetros quanto de inadequações da forma funcional em potenciais interatômicos, conforme demonstrado em um potencial Stillinger–Weber para silício.
Este artigo apresenta uma abordagem de correspondência de informações baseada em otimização convexa e escalável que aproveita a Matriz de Informação de Fisher para selecionar dados de treinamento mínimos e de alto valor para prever com precisão quantidades de interesse, abordando assim a escassez de dados e a não identificabilidade de parâmetros em diversas aplicações de modelagem científica e aprendizado ativo.