🔬 Category

physics.comp-ph

1223 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.

Quantum Neural Physics: Solving Partial Differential Equations on Quantum Simulators using Quantum Convolutional Neural Networks

Este artigo propõe o "Quantum Neural Physics", um novo framework híbrido quântico-clássico que utiliza redes neurais convolucionais quânticas para mapear operadores diferenciais discretizados em circuitos quânticos de profundidade logarítmica, permitindo a resolução eficiente de equações diferenciais parciais complexas com compressão exponencial de memória em futuros computadores quânticos tolerantes a falhas.

Jucai Zhai, Muhammad Abdullah, Boyang Chen, Fazal Chaudry, Paul N. Smith, Claire E. Heaney, Yanghua Wang, Jiansheng Xiang, Christopher C. Pain2026-03-26⚛️ quant-ph

Reconfigurable topological valley-Hall interfaces: Asymptotics of arrays of Dirichlet and Neumann inclusions for multiple scattering in metamaterials

Este artigo investiga metamateriais bidimensionais periódicos onde a atribuição de condições de contorno de Dirichlet ou Neumann a inclusões cilíndricas permite reconfigurar interfaces de efeito Hall topológico de vale e reposicionar modos interfaciais sem alterar a geometria subjacente, utilizando aproximações assintóticas de espalhamento pontual para analisar tanto estruturas infinitas quanto finitas.

Richard Wiltshaw, Henry J. Putley, Christelle Bou Dagher, Mehul P. Makwana2026-03-26🔬 physics.optics

Restoring missing low scattering angle data in two-dimensional diffraction patterns of isolated molecules

Os autores propõem um algoritmo iterativo que utiliza transformadas de Fourier e Abel, juntamente com restrições no espaço real baseadas em distâncias internucleares aproximadas, para restaurar dados de espalhamento em baixos ângulos em padrões de difração bidimensionais anisotrópicos de moléculas isoladas, permitindo sua representação no espaço real.

Yanwei Xiong, Martin Centurion2026-03-26🔢 math-ph

Aluminum solidification and nanopolycrystal deformation via a Graph Neural Network Potential and Million-Atom Simulations

Os pesquisadores desenvolveram um potencial de aprendizado de máquina baseado em redes neurais gráficas para o alumínio, que permite simulações de milhões de átomos com precisão quase *ab initio*, revelando como erros em energias de falha de empilhamento e difusão em outros modelos podem levar a estruturas de grão e comportamentos mecânicos qualitativamente incorretos.

Ian Störmer, Julija Zavadlav2026-03-26🔬 cond-mat.mtrl-sci

soliton_solver: A GPU-based finite-difference PDE solver for topological solitons in two-dimensional non-linear field theories

Este artigo apresenta o *soliton_solver*, um pacote de software de código aberto acelerado por GPU que utiliza um núcleo numérico agnóstico à teoria para simular e visualizar em tempo real solitões topológicos em teorias de campo não lineares bidimensionais, permitindo sua aplicação em diversas áreas da física, desde a matéria condensada até a física de altas energias.

Paul Leask2026-03-26⚛️ hep-th

Learning Response-Statistic Shifts and Parametric Roll Episodes from Wave--Vessel Time Series via LSTM Functional Models

Este artigo apresenta um modelo de substituição baseado em LSTM que aprende a mapeamento funcional não linear entre séries temporais de ondas e movimentos do navio para reproduzir episódios de rolamento paramétrico e suas alterações estatísticas associadas, utilizando dados tanto de simulações numéricas quanto de experimentos controlados.

Jose del Aguila Ferrandis2026-03-26🤖 cs.LG

Orientation Reconstruction of Proteins using Coulomb Explosions

Este artigo apresenta um método inovador que utiliza os sinais de íons gerados pela explosão de Coulomb induzida por lasers de raios X para reconstruir com precisão a orientação de proteínas individuais no gás, superando as limitações dos métodos tradicionais baseados apenas em dados de difração e permitindo a obtenção de densidades eletrônicas tridimensionais de alta qualidade.

Tomas André, Alfredo Bellisario, Nicusor Timneanu, Carl Caleman2026-03-26🔬 physics

Power Laws for the Thermal Slip Length of a Liquid/Solid Interface From the Structure and Frequency Response of the Contact Zone

Este estudo propõe duas relações de lei de potência para o comprimento de deslizamento térmico em interfaces líquido/sólido, demonstrando que a redução da impedância térmica é governada pela ordem translacional no plano e pelo ajuste de frequências vibracionais na zona de contato, com base em simulações de dinâmica molecular não equilibrada.

Hiroki Kaifu, Sandra M. Troian2026-03-25🔬 cond-mat.mes-hall

Discontinuity-aware KAN-based physics-informed neural networks

Este artigo propõe a DPINN, uma rede neural física-informada que integra incorporação de Fourier adaptativa, uma rede baseada no teorema de Kolmogorov para descontinuidades, transformação de malha e viscosidade artificial aprendível para superar as limitações de precisão e estabilidade das PINNs tradicionais ao resolver equações diferenciais parciais com descontinuidades e gradientes acentuados.

Guoqiang Lei, D. Exposito, Xuerui Mao2026-03-25🔬 physics

evoxels: A differentiable physics framework for voxel-based microstructure simulations

O artigo apresenta o evoxels, um framework de física diferenciável baseado em voxels que integra dados de microscopia 3D, simulações físicas, modelagem inversa e aprendizado de máquina para acelerar o projeto inverso de materiais e a compreensão das relações entre processamento, estrutura e propriedades.

Simon Daubner, Alexander E. Cohen, Benjamin Dörich, Samuel J. Cooper2026-03-25🔬 cond-mat.mtrl-sci