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 propõe um quadro unificado que integra aprendizado profundo geométrico e análise numérica rigorosa para simulações de CFD, introduzindo previsão multi-nó, correção temporal via atenção cruzada e embeddings posicionais rotativos 3D para superar as limitações de estabilidade e precisão dos substitutos de ML existentes em malhas não estruturadas.
Este artigo propõe uma abordagem de Aprendizado Profundo Guiada pela Física utilizando uma arquitetura U-Net para suprimir eficazmente artefatos estruturados e não estacionários em imagens de raios X de disparo único, melhorando significativamente a qualidade da reconstrução e a preservação do sinal em comparação com métodos tradicionais, ao mesmo tempo que incorpora ensembles profundos para garantir robustez por meio de estimativa de incerteza.
Este artigo apresenta um framework de regressão simbólica ponderada por composição que combina algoritmos de busca híbrida com operadores máximos/mínimos para gerar expressões analíticas interpretáveis capazes de prever diversas propriedades de materiais diretamente a partir da composição química, alcançando precisão competitiva em relação a modelos de caixa-preta ao mesmo tempo em que revela tendências elementares quimicamente significativas.
Este artigo propõe e valida uma estratégia para construir funcionais explícitos que mapeiam diretamente potenciais de Kohn-Sham em densidades de carga em materiais inhomogêneos utilizando dados de gás de elétrons homogêneo, demonstrando com sucesso precisão aprimorada por meio de aproximações cada vez mais sofisticadas sem resolver a equação de Schrödinger de Kohn-Sham.
Este estudo demonstra que a fração de enchimento de vorticidade na turbulência de Navier-Stokes bidimensional em decaimento governa a transição de equilíbrios de vórtices pontuais para equilíbrios de vórtices de tamanho finito, o que, por sua vez, dita uma mudança correspondente no transporte de traçadores lagrangianos de aprisionamento orbital subdifusivo para movimento linear superdifusivo à medida que o enchimento aumenta.
Este artigo apresenta uma estrutura de Análise Adversarial Consciente de Escala usando Decomposição de Difusão Constrained para revelar que os modelos padrão de IA generativa falham em internalizar leis físicas em todas as escalas, exibindo, em vez disso, congelamento estrutural e instabilidade quando submetidos a perturbações com restrições físicas.
Este artigo apresenta o MuDirac 1.3.0, uma ferramenta de software de código aberto sustentável e eficiente que permite à comunidade de múons negativos calcular com precisão propriedades nucleares, como o raio de carga, ao modelar as energias de transição de raios X muônicos sob uma distribuição de Fermi de dois parâmetros.
Este artigo apresenta um computador de reservatório fotônico híbrido espaciotemporal experimental que utiliza uma matriz de VCSEL acoplada difrativamente, melhorando significativamente o desempenho de classificação e a escalabilidade ao combinar acoplamento espacial com multiplexação temporal para expandir uma rede de 12 nós em um sistema de 968 nós, com erro de teste reduzido de 0,026.
Este artigo propõe um algoritmo eficiente baseado na abordagem MeLoCoToN que formula a fatoração de inteiros como uma equação de rede de tensores derivada de um circuito de multiplicação binária, otimizando a estrutura da rede e demonstrando seu desempenho por meio de métodos de contração exatos e aproximados.
Este artigo apresenta o código Python xARPES, que utiliza um método de máxima entropia estendido com inferência bayesiana para extrair consistentemente autoenergias eletrônicas e funções de Eliashberg de dispersões curvas em dados de espectroscopia de fotoemissão resolvida em ângulo, demonstrando precisão superior tanto em conjuntos de dados modelados quanto experimentais em comparação com abordagens existentes baseadas em linearização.