1191 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.
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.
Este trabalho demonstra que sistemas desordenados a térmicos submetidos a um processo de design inverso cíclico evoluem para uma variedade absorvente marginal que codifica uma memória de retorno, fornecendo um quadro físico geral para entender como sistemas adaptativos aprendem e retêm memórias de condições ambientais passadas.
Este artigo propõe uma abordagem híbrida clássico-quântica para implementar camadas de gargalo de redes neurais pré-treinadas, utilizando compressão em operadores de produto de matriz (MPO) e algoritmos de desenredamento para executar circuitos de desenredamento em hardware quântico enquanto o restante do modelo roda classicamente, validado em tarefas de classificação de imagens como MNIST e CIFAR-10.
Este estudo apresenta uma simulação hidrodinâmica multifluido unidimensional da colisão entre placas de chumbo e aço no processo de soldagem explosiva, utilizando o método VOF e um algoritmo do tipo Godunov com relaxação de pressão para rastrear a interface e validar os tempos de chegada das ondas de descarga com dados experimentais.
Este estudo propõe o uso de Redes Neurais Assintoticamente Preservadoras para identificar parâmetros viscoelásticos e reconstruir variáveis de estado em modelos de fluxo sanguíneo multiescala, permitindo estimar ondas de pressão em vasos sanguíneos a partir de dados não invasivos como área transversal e velocidade obtidos por ultrassom Doppler.
O artigo apresenta o \textsc{Dynamite}, um framework de alto desempenho que resolve as Equações de Campo Médio Dinâmico (DMFE) com precisão e eficiência em escalas de tempo sem precedentes (), superando as limitações atuais de métodos numéricos para estudar a dinâmica lenta em sistemas complexos e desordenados.
Este artigo demonstra que a calibração sistemática de parâmetros de uma rede neural para parametrização de redemoinhos mesoescalares, utilizando Inversão de Ensemble Kalman, reduz significativamente os erros no estado médio e na variabilidade de modelos oceânicos de baixa resolução, oferecendo um caminho prático para melhorar simulações globais.
Este estudo simula polímeros semiflexíveis ativos bidimensionais sob fluxo de cisalhamento, revelando que a atividade induz mudanças conformacionais, rotação de tumbling com dependência temporal distinta e propriedades reológicas incomuns, como viscosidade negativa, antes que o cisalhamento intenso domine o comportamento do sistema.
Este trabalho propõe o uso de Deep Operator Networks (DeepONets) como um modelo substituto eficiente e preciso para o modelo numérico de ondas SWAN, permitindo a previsão de alta fidelidade do gradiente do estresse de radiação e da altura significativa das ondas em simulações acopladas de maré de tempestade, superando as limitações computacionais dos métodos tradicionais.
O artigo apresenta o DD-03B, um banco de dados massivamente escalável contendo 0,3 bilhão de quadros de simulação de dissociação para 19.037 complexos ligante-proteína, que fornece trajetórias dinâmicas e constantes de taxa de dissociação calculadas para fundamentar o desenvolvimento de modelos de IA generativa na descoberta de fármacos.