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 apresenta uma metodologia de calibração bayesiana hierárquica acelerada por redes neurais profundas para desenvolver modelos de dinâmica de partículas dissipativas precisos e informados por dados de microbolhas encapsuladas de contraste ultrassonico, superando os desafios computacionais da inferência direta.
O artigo apresenta o NEPMaker, um framework de aprendizado ativo baseado em D-optimalidade que integra o potencial de neuroevolução (NEP) ao pacote GPUMD para permitir a construção escalável e robusta de potenciais de aprendizado de máquina em simulações de grande escala, mitigando erros de extrapolação ao identificar e otimizar ambientes atômicos complexos diretamente durante a simulação.
O artigo apresenta o MolCryst-MLIPs, um banco de dados aberto de potenciais interatômicos aprendidos por máquina para cristais moleculares, contendo modelos MACE fine-tuned para nove sistemas desenvolvidos por meio de um pipeline automatizado e validados para simulações de dinâmica molecular de polimorfismo.
Este trabalho propõe o alótropo de boro - como um semimetal topológico sem spin ideal que, graças à sua simetria cristalina, exibe simultaneamente uma superfície nodal bidimensional robusta e diversos tipos de férmions de Weyl tridimensionais, oferecendo uma plataforma única para estudar a interação entre estados topológicos de diferentes dimensionalidades.
Este trabalho propõe um método não invasivo chamado "homogeneização inversa distribucional" que utiliza grandes conjuntos de propriedades mecânicas macroscópicas para inferir estatísticas globais da microestrutura de materiais, superando as dificuldades tradicionais de inversão ao combinar teoria de homogeneização com aprendizado de máquina em contextos unidimensionais e bidimensionais.
Este artigo apresenta uma análise teórica e numérica da escalabilidade fraca de métodos de Schwarz de um nível para as equações de Maxwell em guias de onda, demonstrando que a combinação de análise espectral de matrizes de Toeplitz e decomposição modal permite prever o comportamento do método e alcançar robustez em relação ao número de onda sob condições específicas de decomposição de domínio.
Este estudo apresenta um modelo substituto baseado no Operador de Rede Neural de Fourier (FNO) que, ao integrar-se ao método de campo de fase, permite a modelagem rápida e precisa da evolução de crescimento de grãos com invariância de resolução, superando as limitações computacionais e de generalização das abordagens tradicionais.
Este trabalho investiga a estabilização de plasmas no sistema Vlasov-Poisson através de otimização com restrições de EDP, demonstrando que a eliminação de modos instáveis fornece boas estimativas iniciais e que funções objetivo que incorporam informações integradas no tempo geram paisagens de otimização mais convexas, facilitando o uso de métodos baseados em gradiente.
Este artigo apresenta um framework de simulação sem corpo que, ao resolver as equações de Navier-Stokes em um domínio simplificado com condições de entrada baseadas em perfis de velocidade medidos, reconstitui com sucesso a dinâmica tridimensional complexa de esteiras turbulentas de cilindros para vários números de Reynolds, demonstrando que a instabilidade do perfil de velocidade na esteira próxima é o fator dominante que governa o escoamento, independentemente da presença explícita do corpo.
O artigo apresenta o Bayesian-ARGOS, um framework híbrido que combina triagem frequentista rápida com inferência bayesiana focada para descobrir equações governantes a partir de dados ruidosos e escassos com quantificação de incerteza rigorosa e custo computacional reduzido, superando métodos existentes em sistemas caóticos e na reconstrução de padrões climáticos.