1214 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 solver de Riemann neural com restrições rígidas (HCNRS) que impõe cinco leis físicas fundamentais para garantir conservação, simetria e invariância, superando as limitações de abordagens puramente baseadas em dados e reproduzindo com precisão os resultados de solvers exatos em equações de fluidos complexas.
Este trabalho apresenta uma implementação de código aberto e altamente acelerada por GPU de dinâmica molecular de integral de caminho (PIMD) para simulações *ab initio* de grandes sistemas de partículas idênticas, permitindo a simulação eficiente de dezenas de milhares de bósons e a superação do problema do sinal de férmions em escalas anteriormente inacessíveis.
Este artigo introduz uma abordagem de Estados de Produto Matricial (MPS) na primeira quantização para simular sistemas quânticos de muitos corpos, demonstrando que ao reformular o tratamento da antissimetria fermiônica é possível obter níveis de emaranhamento comparáveis ou até menores do que os encontrados na segunda quantização, como validado no modelo unidimensional -.
Este estudo apresenta o NEMAD, um banco de dados abrangente de 67.573 materiais magnéticos extraído por modelos de linguagem de grande escala (LLMs), que, ao ser combinado com modelos de aprendizado de máquina, permite classificar materiais e prever temperaturas de transição com alta precisão, acelerando a descoberta de novos materiais magnéticos de alto desempenho.
Este estudo utiliza uma rede neural profunda treinada em dados de teoria do funcional da densidade para demonstrar que, à temperatura ambiente, o aumento da pressão em água líquida eleva a constante dielétrica estática devido ao aumento da densidade e das flutuações coletivas de dipolos, ao mesmo tempo em que reduz o fator de correlação de Kirkwood devido a distorções estruturais na rede de ligações de hidrogênio.
Este artigo apresenta um modelo de rede neural de grafos equivariante (EGNN) capaz de prever com precisão as propriedades de configurações atômicas relaxadas, como deslocamentos atômicos, tensão e energia de formação, superando as limitações das expansões de aglomerados tradicionais ao lidar com variações de rede e materiais complexos sem a necessidade de cálculos adicionais de teoria do funcional da densidade (DFT).
Os autores desenvolveram uma biblioteca moderna em Fortran para calcular coeficientes de acoplamento e recoplamento do grupo SU(3) para cadeias de grupos específicas, oferecendo maior precisão e abrangência de números quânticos em comparação com implementações anteriores.
Este artigo demonstra que um modelo simples de "parroting" (repetição) de contexto supera os principais modelos fundamentais de séries temporais na previsão de diversos sistemas dinâmicos, revelando que as falhas atuais desses modelos e suas leis de escala estão intrinsecamente ligadas a estratégias de cópia e à dimensão fractal dos atratores caóticos.
Este artigo propõe uma abordagem de projeto inverso para espectrômetros computacionais integrados que otimiza topologicamente meios de espalhamento para melhorar a inferência de espectros desconhecidos sem depender de conjuntos de treinamento ou algoritmos específicos, permitindo a seleção desacoplada do algoritmo de inferência e demonstrando superioridade em robustez ao ruído em comparação com dispersores aleatórios.
Este estudo apresenta uma avaliação multiescala integrada de simulações moleculares, otimização de processos e análise técnico-econômica da série isoreticular de CALF-20 para a purificação de biogás, demonstrando que o material CALF-20 original oferece o melhor desempenho econômico e energético, produzindo metano com mais de 97% de pureza a um custo de 4,31 dólares por kg.