1219 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 uma nova abordagem de otimização global baseada em redes neurais, chamada Fermionic Antisymmetric Spatio-Temporal Network, para resolver a equação de Schrödinger dependente do tempo em sistemas de muitos elétrons, permitindo a simulação precisa e paralelizável da dinâmica quântica coerente sem a necessidade de propagação passo a passo.
Este estudo investiga o modelo de Hubbard estendido na rede de Bethe usando a aproximação de campo médio de Hartree, mapeando o diagrama de fase e analisando como o aumento da repulsão no sítio suprime a ordem de carga, induzindo uma transição de um estado isolante para um metálico.
O artigo apresenta o NeuralCrop, um modelo híbrido diferenciável que combina processos físicos de modelos de cultivo baseados em processos com componentes de aprendizado de máquina, resultando em projeções de rendimento mais precisas, especialmente sob condições extremas como secas, e com eficiência computacional superior para avaliações de segurança alimentar frente às mudanças climáticas.
Este artigo apresenta uma abordagem baseada em fluxo de correspondência riemanniano para amostragem de equilíbrio em sistemas de matéria condensada, mitigando os custos computacionais através de um estimador de traço estocástico com correção de viés e demonstrando sua eficácia na geração de estimativas precisas de energia livre para gelo monoatômico de grande escala.
O artigo apresenta o SCALE-TRACK, um algoritmo escalável de rastreamento de partículas Euler-Lagrange com acoplamento assíncrono e otimizado para arquiteturas heterogêneas, capaz de simular centenas de bilhões de partículas em workstations e clusters de alto desempenho, superando as limitações de escalabilidade existentes.
Este artigo apresenta um framework baseado em MATLAB para realizar transformadas de Fourier rápidas em múltiplas GPUs, superando limitações de memória e acelerando significativamente simulações de grande escala de cristais de campo de fase em comparação com implementações puramente baseadas em CPU.
Este artigo apresenta novos resultados de continuação analítica para o fator de estrutura dinâmica do líquido de elétrons uniformes, obtidos a partir de dados de Monte Carlo de integral de caminho em tempo imaginário utilizando tanto o método de máxima entropia quanto uma representação otimizada de kernels esparsos via \texttt{PyLIT}, visando aplicações em espalhamento de raios X e na melhoria de funcionais de densidade dependente do tempo.
Este artigo apresenta uma abordagem inovadora que utiliza assinaturas de Chebyshev agrupadas em grafos multiescala para caracterizar e classificar transições atômicas em simulações de grande escala, permitindo a identificação de padrões complexos e hierárquicos que métodos tradicionais não conseguem capturar.
O artigo apresenta um novo quadro de simulação multiescala concorrente acelerado por operadores neurais que acopla simulações atômicas à análise de elementos finitos para materiais viscoelásticos, substituindo a avaliação direta da dinâmica molecular por um operador neural recorrente treinado para permitir simulações dinâmicas eficientes e informadas em escala atômica.
O artigo apresenta o PRBench, um benchmark rigoroso de 30 tarefas curadas por especialistas em 11 subáreas da física para avaliar a capacidade de agentes de IA de reproduzir integralmente pesquisas científicas, revelando que os modelos atuais, mesmo os mais avançados, ainda falham em executar com sucesso essa tarefa de ponta a ponta devido a erros críticos na implementação de fórmulas, correção de código e precisão de dados.