1164 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 desenvolve uma teoria termodinâmica da catálise algorítmica no quadro de "watts por inteligência", provando que qualquer aceleração específica de classe é limitada pela informação mútua algorítmica e impõe um custo termodinâmico mínimo, estabelecendo assim um limite inferior para o horizonte de implantação energeticamente favorável de catalisadores computacionais.
Este trabalho apresenta um novo quadro de diagnóstico baseado em caos quântico, que integra teoria eletrônica multirreferencial e Teoria de Matrizes Aleatórias para demonstrar como a supressão do caos no estado de transição facilita o tunelamento quântico e melhora a previsão das taxas de reatividade em ambientes astrofísicos frios, como as atmosferas de planetas gigantes.
Este estudo quantifica os controles ambientais sobre os sistemas convectivos de mesoescala nos oceanos tropicais, demonstrando que a convergência de umidade, a instabilidade atmosférica e o vapor de água integrado na coluna são os principais fatores que explicam cerca de 50% da variabilidade mensal na frequência e precipitação desses sistemas, com importância relativa variando conforme a região e a estação.
Este estudo demonstra, por meio de dados observacionais de longo prazo, que existe um mecanismo de retroalimentação bidirecional robusto entre a Oscilação de Madden-Julian e os Sistemas Convectivos de Mesoescala, no qual a oscilação organiza a atividade convectiva enquanto a agregação desses sistemas contribui ativamente para a manutenção e propagação da oscilação através do transporte de momento e calor.
Este artigo oferece uma visão geral dos esforços para acelerar simulações de defeitos pontuais em materiais sólidos utilizando modelos orientados a dados e aprendizado de máquina, que permitem previsões rápidas e precisas de propriedades de defeitos com custos computacionais reduzidos e conectam esses resultados a dados experimentais.
O estudo apresenta o DiffSRDA, um quadro de assimilação de dados probabilístico baseado em modelos de difusão que gera análises de alta resolução com incerteza quantificada a partir de previsões de baixa resolução e observações esparsas, alcançando desempenho comparável a métodos tradicionais como o Filtro de Kalman de Ensemble, mas com maior eficiência computacional e adaptabilidade a mudanças na configuração dos sensores sem necessidade de retreinamento.
Este artigo apresenta uma formulação de Galerkin nodal de alta ordem para a equação integral de contorno de Müller, que elimina a necessidade de funções de base conformes à divergência ao explorar o cancelamento da singularidade hipersingular no núcleo, permitindo assim o uso de funções de forma isoparamétricas e garantindo convergência robusta e alta precisão em problemas de espalhamento eletromagnético penetrável.
Este estudo de Monte Carlo confirma que os clusters de passeios aleatórios simples em duas dimensões exibem fronteiras externas conformalmente invariantes com dimensão fractal e caminhos conectivos que escalonam como , atingindo o limite superior teórico para a distância química em clusters de percolação de nível do campo livre gaussiano.
O artigo apresenta o JAX-BEM, um solver de Método de Elementos de Contorno diferenciável baseado no framework JAX que permite otimização de forma acústica eficiente via gradiente, mantendo a precisão de códigos tradicionais e oferecendo potencial para extensões em ondas eletromagnéticas.
Este artigo apresenta uma interface integrada ao GROMACS que permite a execução de simulações de dinâmica molecular híbridas (ML/MM) utilizando potenciais de rede neural treinados no PyTorch, oferecendo uma solução flexível e agnóstica à arquitetura para combinar aprendizado de máquina com fluxos de trabalho avançados de amostragem e energia livre em sistemas biomoleculares.