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 deriva uma redução exata da energia de troca de segunda ordem com screening (SOSEX) no gás de elétrons uniforme para uma integral tripla sob um modelo de polo único, estabelecendo comportamentos assintóticos que fornecem uma base diagramática para a construção de funcionais além da Aproximação de Fase Aleatória (RPA).
Este trabalho apresenta uma revisão dos métodos numéricos implementados no toolkit de código aberto Axiprop para modelar a propagação de pulsos laser ultracurtos em plasmas, demonstrando sua aplicação no estudo de guias de onda ópticos e na aceleração de elétrons por meio de foco voador com travamento de fase.
Este artigo apresenta o protocolo COACH, que combina imposição de restrições, formas funcionais flexíveis e otimização moderna para desenvolver um funcional de densidade híbrido de meta-GGA de alcance separado que supera os métodos existentes em precisão e transferabilidade para química molecular, sugerindo que avanços futuros exigirão a incorporação de informações genuinamente não locais.
Este artigo demonstra que os funcionais espectrais de Koopmans permitem prever com precisão e eficiência computacional a estrutura de bandas e o alinhamento de níveis de diferentes polimorfos de TiO₂, oferecendo uma estratégia viável para avaliar a adequação de novos fotocatalisadores para a divisão da água.
Este trabalho apresenta o PHLieNet, uma estrutura baseada em hiperredes que aprende uma representação latente dos parâmetros do sistema para gerar dinamicamente os pesos de uma rede de previsão, permitindo assim a generalização e interpolação eficaz em sistemas dinâmicos paramétricos complexos, superando os métodos atuais na precisão de previsões de curto e longo prazo.
Este trabalho avalia o Método de Boltzmann em Rede (LBM) como uma abordagem numérica em domínio temporal para o espalhamento de ondas eletromagnéticas, demonstrando sua precisão e eficiência em simulações bidimensionais e tridimensionais através da comparação com soluções analíticas e semianalíticas de Lorenz-Mie para diversas geometrias e contrastes dielétricos.
Este artigo demonstra que um agente de Aprendizado por Reforço, utilizando representações de grafos geométricos, pode otimizar eficazmente a ordenação elementar em nanopartículas de ligas bimetálicas, identificando estados fundamentais conhecidos e generalizando para tamanhos não vistos, embora com eficácia limitada em sistemas com múltiplos elementos.
O artigo apresenta um Surrogado Profundo Aprimorado por Física (PEDS) que combina um solver de Fourier diferenciável com aprendizado de máquina e seleção ativa orientada por incerteza para criar um substituto eficiente e preciso da Equação de Transporte de Boltzmann de fônons, permitindo o projeto rápido e confiável de materiais térmicos em nanoescala com redução significativa na necessidade de dados de treinamento.
Este artigo apresenta um quadro de design inverso baseado em aprendizado de máquina que otimiza sistematicamente a forma de cavidades de micro-ondas tridimensionais para maximizar a helicidade eletromagnética, identificando princípios físicos robustos e designs de alto desempenho que superam as abordagens heurísticas tradicionais.
O artigo apresenta o SimulCost, o primeiro benchmark e toolkit que avalia o custo de LLMs na automação de simulações físicas, revelando que, embora os modelos de linguagem melhorem sua precisão em múltiplas rodadas, eles permanecem economicamente inviáveis devido ao tempo de simulação e custos computacionais superiores aos métodos tradicionais de varredura.