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 oferece uma visão abrangente sobre como os operadores neurais, uma abordagem de aprendizado de máquina baseada em dados, complementam os métodos numéricos tradicionais para resolver equações diferenciais parciais com maior eficiência e invariância à discretização, ao mesmo tempo em que discute seus desafios e potenciais aplicações na física e engenharia.
O artigo apresenta o LEDDS, um framework de código aberto que realiza simulações acopladas LBM-DEM em GPUs utilizando apenas primitivas algorítmicas portáteis, alcançando desempenho comparável a soluções otimizadas manualmente enquanto mantém a clareza do código e a compatibilidade com diversas arquiteturas de aceleradores.
Este artigo apresenta uma metodologia que utiliza simuladores diferenciais e dados de fase de plasma para aprender operadores de colisão dependentes do tempo e integro-diferenciais, demonstrando que essa abordagem supera os métodos estatísticos tradicionais na recuperação precisa da dinâmica de plasmas fora do equilíbrio.
Este trabalho apresenta um modelo exato de Monte Carlo de Integral de Caminho para férmions harmônicos interagentes que demonstra que o problema de sinal é inerente ao propagador de férmions livres e que estados de casca fechada específicos não apresentam esse problema em tempos imaginários grandes, permitindo cálculos precisos de energias de pontos quânticos que superam métodos modernos de redes neurais.
O artigo apresenta a equação de Langevin generalizada com desordem espacial (SD-GLE), um método baseado em dados e inferência bayesiana que separa eficazmente a desordem espacial estática do atrito viscoelástico para modelar com precisão a dinâmica de longo prazo e a difusão anômala em sistemas heterogêneos, superando as limitações das abordagens de campo médio tradicionais.
Este estudo analisa o comportamento hidrodinâmico de um modelo numérico mesoscópico baseado no método de fronteira imersa e lattice Boltzmann para dinâmica de molhagem, comparando-o detalhadamente com métodos de elemento de fronteira e volume de fluido para elucidar suas limitações e propriedades, especialmente no que tange à formação de um filme fino sob a gota.
Este estudo computacional revela que a adsorção de HCSCN e HCSCCH em mantos de gelo de água no TMC-1 cria um "paradoxo de sobrevivência", onde as configurações de ligação profunda protegem as moléculas da dessorção térmica, mas simultaneamente aumentam sua absorção UV, tornando-as mais vulneráveis à fotodissociação.
Este artigo apresenta dois modelos substitutos de aprendizado profundo baseados em autoregressão, utilizando arquiteturas Transformer-Koopman e ConvLSTM-UNet, que preveem com eficiência e fidelidade física a evolução temporal de instabilidades de Kelvin-Helmholtz em magnetohidrodinâmica ideal 2D, oferecendo um custo computacional significativamente reduzido em comparação com simulações numéricas diretas.
Este trabalho resolve o problema do controle de dissipação de energia em contatos de partículas não esféricas ao propor uma formulação que preserva a estrutura, demonstrando que a lei de amortecimento admissível é fixada pela estrutura harmônica subjacente e que o coeficiente de restituição apropriado é o da velocidade no ponto de contato (), enquanto a restituição de energia total () é uma consequência dependente da geometria e do acoplamento dinâmico.
Este trabalho apresenta um framework de Redes Neurais Informadas pela Física (PINN) que combina formulação variacional e expansão de Magnus para aprender dinâmicas quânticas contra-adiabáticas e otimizar a Informação de Fisher Quântica em sistemas de muitos corpos dependentes do tempo, demonstrando superioridade sobre soluções de referência em diversos Hamiltonianos de spin.