879 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 introduz um novo framework para a construção de substitutos neurais de tempo real que preservam a estrutura para equações diferenciais parciais, integrando espaços de elementos finitos mistos com regressão de processo gaussiano para permitir quantificação de incerteza tratável e limites de erro posterior de forma fechada.
Este artigo introduz uma estrutura híbrida de aprendizado profundo que utiliza uma Rede Neural Convolucional Multiescala para parametrizar dinamicamente um modelo de Autômatos Celulares Probabilísticos em JAX, melhorando significativamente a precisão da previsão de propagação de incêndios florestais em incêndios de grande escala nos EUA ao capturar interações ambientais complexas enquanto mantém a interpretabilidade física.
Este estudo demonstra que, embora a heterogeneidade microestrutural na geometria dos grãos tenha um efeito modesto, uma ampla distribuição de viscosidades de contorno de grão pode suprimir e alargar o pico característico do tipo Debye do deslizamento de contorno de grão acomodado elasticamente para um fundo fraco, explicando assim a ausência de um pico pronunciado em experimentos com olivina seca sem negar a relevância do mecanismo para a atenuação sísmica do manto superior.
Este artigo apresenta o fitPALSpectra, um fluxo de trabalho em Python de código aberto que aborda os desafios da análise de dados de espectroscopia de tempo de vida de aniquilação de pósitrons (PALS) ao fornecer uma ferramenta configurável para simular, ajustar e visualizar espectros usando um modelo exponencial–Gaussiano analiticamente integrado, o qual foi validado para recuperar com precisão os parâmetros de verdade fundamental em dados sintéticos.
Este artigo propõe um método espectral misto de Hermite-Legendre para simulações de plasma cinético que combina a eficiência dos polinômios de Hermite para distribuições próximas de Maxwell com as capacidades de resolução dos polinômios de Legendre para características não-Maxwellianas localizadas, alcançando uma precisão melhorada e conservação de invariantes físicos a um custo computacional comparável.
Este artigo introduz um método de Diagonalização Aproximada Conjunta para cálculos de $GW$ quase-partícula autoconsistente que utiliza a autoenergia dinâmica completa e uma matriz de densidade derivada da função de Green completa, alcançando precisão comparável ao padrão enquanto oferece melhor concordância com valores de referência CCSD(T) de alto nível.
Este artigo introduz o General-Geometry Neural Whitney Forms (Geo-NeW), um método de elementos finitos orientado por dados que aprende conjuntamente operadores diferenciais e espaços reduzidos compatíveis para preservar leis de conservação física e alcançar uma generalização superior para geometrias não vistas na resolução de Equações Diferenciais Parciais.
Este artigo estabelece um arcabouço teórico comparando conjuntos de redes neurais de sistema fechado com análogos de sistema aberto da teoria de reações nucleares, concluindo, em última análise, que a dinâmica não-Hermitiana distintiva destes últimos está estruturalmente ausente no aprendizado convencional devido à falta de espectros contínuos e comportamento ondulatório, localizando, assim, a verdadeira fonte da incerteza operacional dentro da correspondência de sistema fechado.
Este artigo resolve o paradoxo de os Estados de Produto de Matriz (MPS) serem altamente treináveis, apesar dos problemas gerais de treinabilidade de circuitos quânticos, ao provar que a liberdade de calibre em MPS induz uma sobreparametrização local efetiva, que elimina mínimos locais ruins e os concentra próximos ao mínimo global.
Este artigo apresenta o Graphlet-MP, um banco de dados abrangente e um kit de ferramentas de código aberto que fornece representações de histogramas de graphlets interpretáveis e eficientes em termos de dados para mais de 149.000 cristais inorgânicos para permitir a previsão de propriedades de materiais mesmo com dados experimentais escassos.