physics.comp-ph 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.

A Physics-Informed B-Spline Framework for Continuous Approximation of Flow Data

Este artigo introduz a Aproximação Funcional Multivariada Informada pela Física (PI-MFA), um framework que utiliza B-splines de produto tensorial para gerar reconstruções de campos de fluxo contínuas e diferenciáveis ao otimizar pontos de controle para equilibrar a fidelidade aos dados com as leis físicas governantes, garantindo, assim, resultados fisicamente consistentes mesmo a partir de dados de entrada inconsistentes.

Junoh Jung, David Lenz, Emil Constantinescu, Tom Peterka2026-06-10🔬 physics

Towards Critical Branching Mechanism in Recurrent Neural Networks

Este artigo demonstra que redes LSTM pequenas e treinadas de forma otimizada exibem dinâmica de ramificação quase crítica e estatísticas de avalanche de lei de potência, enquanto modelos maiores permanecem subcríticos, com um framework de processo de ramificação de mistura proposto explicando como dinâmicas heterogêneas ainda podem gerar correlações temporais de longo alcance robustas.

Feixiang Ren, Ling Feng2026-06-10🌀 nlin

An adaptive framework for the axisymmetric pulsar magnetosphere using physics-informed Kolmogorov-Arnold networks

Este artigo apresenta o PulsarX, um framework de código aberto que utiliza redes de Kolmogorov-Arnold adaptativas e pipelines de treinamento automatizados para alcançar soluções de magnetosfera de pulsar axissimétricas altamente precisas e autoconsistentes com velocidade de convergência significativamente melhorada, redução de ajuste manual e a capacidade de resolver escalas espaciais extremas em comparação com abordagens anteriores de Redes Neurais Informadas pela Física.

Spyros Rigas, Ioannis Contopoulos, Georgios Alexandridis, Antonios Nathanail2026-06-10🔬 physics

Bounding the Null Space: Interval-Based Uncertainty Quantification for Non-Identifiable Groundwater Models

Este artigo propõe uma estrutura de Aperfeiçoamento de Limites baseado em Otimização (OBBT) que utiliza aritmética de intervalos e relaxações de McCormick para fornecer limites de incerteza garantidos e livres de amostragem para modelos de águas subterrâneas não identificáveis, ao mesmo tempo em que aborda desafios como o fluxo rotacional não físico através de restrições específicas de sinal e de irrotacionalidade.

Maximilian Ramgraber, Ksenia Bestuzheva2026-06-10🔬 physics

Modeling intercalation chemistry with multi-redox reactions by sparse lattice models in disordered rocksalt cathodes

Este artigo introduz uma abordagem combinada utilizando expansão de clusters baseada em regressão esparsa e amostragem de Monte Carlo semigrand-canônica para modelar eficientemente a termodinâmica de intercalação de cátodos de sal-rock desordenados, reproduzindo com sucesso perfis de voltagem experimentais e elucidando as contribuições redox de Mn e oxigênio em Li $_{1.3-x}$ Mn $_{0.4}$ Nb $_{0.3}$ O $_{1.6}$ F $_{0.4}$ .

Peichen Zhong, Fengyu Xie, Luis Barroso-Luque, Liliang Huang, Gerbrand Ceder2026-06-09🔬 cond-mat.mtrl-sci

Bayesian Multistate Bennett Acceptance Ratio Methods

Este artigo introduz o BayesMBAR, uma generalização bayesiana do método da razão de aceitação de Bennett multiestado (MBAR) que computa distribuições posteriores de energia livre para fornecer estimativas de incerteza mais precisas e permitir a incorporação de conhecimento prévio, como a suavidade da superfície, nos cálculos de energia livre.

Xinqiang Ding2026-06-09🤖 cs.LG

Consensus-based adaptive sampling and approximation for high-dimensional energy landscapes

Este artigo apresenta uma estrutura baseada em consenso que unifica a exploração do espaço de fase com a amostragem adaptativa baseada em resíduo posterior para resolver o problema de otimização minimax de construir conjuntamente modelos substitutos e gerar amostras para paisagens de energia de alta dimensão, permitindo efetivamente a aproximação eficiente de superfícies de energia livre em sistemas biomoleculares complexos.

Liyao Lyu, Huan Lei2026-06-09🔬 physics

Machine-Learning-Guided Insights into Solid-Electrolyte Interphase Conductivity: Are Amorphous Lithium Fluorophosphates the Key?

Este estudo utiliza aprendizado de máquina e predição de estrutura baseada em difusão para revelar que o difluorfosfato de lítio amorfo ( $\ce{LiPO2F2}$ ), um componente chave da interfase de eletrólito sólido, exibe alta condutividade iônica devido ao desordem estrutural e abundantes defeitos intersticiais, sugerindo que fases de ânions mistos amorfas são as principais vias de íons rápidos em baterias de íon-lítio.

Peichen Zhong, Kristin A. Persson2026-06-09🔬 cond-mat.mtrl-sci

Exact Boundary Enforcement Along Implicit Geometries for Physics-Informed, Deep Learning Problems in Continuum Mechanics

Este artigo investiga o impacto das técnicas de imposição de fronteira suave versus rígida na precisão e na eficiência de treinamento de redes neurais informadas pela física (PINNs) para problemas de elastodinâmica, demonstrando que, embora a imposição rígida de condições de tração em geometrias implícitas reduza o tempo de execução, ela frequentemente ocorre em detrimento da precisão da solução em comparação com a imposição suave.

Cody Rucker, Brittany A. Erickson2026-06-09🔬 physics

Agentic multi-fidelity learning of quasiparticle and excitonic properties

Este artigo introduz um arcabouço de aprendizado de multifidelidade guiado por agente que emprega um agente estrutural para diagnosticar instabilidades numéricas em cálculos GW-Bethe-Salpeter e aplica correções de aprendizado de máquina para prever com precisão propriedades de quase-partículas e excitônicas em bicamadas de MoS2-WS2 tensionadas, demonstrando que a detecção explícita de fragilidade numérica é essencial para a modelagem substituta confiável de materiais de estado excitado.

Arnab Neogi, Aaron Forde, Christopher A. Lane, Sergei Tretiak, Jian-Xin Zhu2026-06-09🔬 cond-mat.mtrl-sci

← Anterior Próximo →