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.
Este estudo introduz modelos de hipergrafos temporais acionados por nós, nos quais a alternância estocástica entre estados de baixa e alta atividade gera processos de eventos com distribuições de tempo inter-evento de cauda longa e autocorrelações lentas, capturando assim as interações grupais bursty observadas em dados empíricos.
Este trabalho apresenta o método paFEMU, uma abordagem de aprendizado por transferência que combina modelagem constitutiva baseada em IA, esparsificação para descoberta interpretável de modelos e otimização baseada em elementos finitos, utilizando dados multimodais para acelerar a descoberta de modelos constitutivos.
O artigo defende que o projeto em nanofotônica deve combinar ferramentas de simulação e design de "caixa preta" com o entendimento físico fundamental para lidar com a complexidade gerada pelo espaço, tempo e dimensões adicionais.
Este artigo propõe que os campos de força híbridos diferenciáveis, ao combinar formas funcionais motivadas pela física com correções de redes neurais de curto alcance, resolvem o dilema entre velocidade, precisão e calibrabilidade, permitindo a descoberta autônoma e em ciclo fechado de eletrólitos através de gêmeos digitais "prontos para ChemRobot".
O artigo propõe a TACNN, uma rede neural convolucional rasa e fisicamente guiada que substitui os kernels convencionais por tensores genéricos para capturar correlações de alta ordem, alcançando desempenho competitivo com modelos profundos como VGG-16 e GoogLeNet em apenas duas camadas.
Este estudo propõe um modelo de aprendizado por reforço que acopla taxas de exploração adaptativas às diferenças de reputação local e atualizações assimétricas, demonstrando que essa combinação sinérgica promove significativamente a evolução da cooperação em jogos evolutivos.
Este artigo apresenta um framework de análise topológica de dados (TDA) sensível à direção que, ao incorporar explicitamente o eixo de compressão nos descritores topológicos, supera as limitações dos métodos clássicos e melhora significativamente a precisão na previsão do módulo de Young em materiais porosos anisotrópicos, alcançando desempenho comparável a redes neurais convolucionais com representações mais compactas.
O artigo apresenta o SMC-AI, um novo framework algorítmico que utiliza aceleradores de IA para realizar a maior simulação de Monte Carlo já relatada, alcançando a simulação de 4 trilhões de átomos com alta eficiência e escalabilidade.
Este artigo propõe duas formulações de Redes Neurais Informadas por Física com restrições rígidas — uma baseada em janelas e outra em buffers — que incorporam as condições de interface diretamente na representação da solução, superando as limitações de precisão e a necessidade de ajuste de pesos das abordagens tradicionais com penalidades suaves, especialmente em problemas de interface complexos.
O artigo apresenta o método de decimação integral, um algoritmo inspirado na mecânica quântica que decompõe integrais multidimensionais em uma representação de tensor train espectral, reduzindo a complexidade computacional de exponencial para polinomial e permitindo a solução eficiente de problemas em dinâmica quântica e mecânica estatística onde métodos convencionais falham.