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 um quadro unificado de aprendizado de máquina que combina potenciais interatômicos aprendidos por máquina com a teoria funcional da densidade clássica neural para modelar ab initio o comportamento de líquidos em múltiplas escalas, permitindo previsões termodinâmicas eficientes e precisas de sistemas como água e dióxido de carbono, inclusive sob confinamento e em condições supercríticas.
Este artigo propõe modelos de difusão condicional de forma fechada para assimilação de dados, que utilizam estimativa de densidade por kernel para calcular analiticamente a função de pontuação e superam os filtros de Kalman de conjunto e de partículas em problemas não lineares, especialmente com tamanhos de conjunto pequenos a moderados.
Este estudo investiga a amplificação de wakefields em plasma homogêneo através da excitação ressonante coerente de dois pulsos laser copropagantes, demonstrando que um atraso temporal de um quarto do comprimento de onda do plasma maximiza a transferência de energia, resultando em uma amplitude de wakefield até três vezes superior à gerada por um único pulso.
Este trabalho propõe um método robusto e automatizado, baseado em análise de Fourier e classificação estatística, para identificar e distinguir estados quimera de outros padrões dinâmicos em sistemas complexos, demonstrando sua eficácia em redes de sinais topológicos acoplados via operador de Dirac.
O artigo demonstra que ondas de spin acústicas em antiferromagnetos sintéticos simétricos podem exibir propagação unidirecional de energia devido a uma forte não-reciprocidade de frequência induzida por interações dipolares entre camadas, conforme validado por experimentos e modelagem teórica.
O estudo revela que a absorção de energia de ondas acústicas de superfície por um filme magnético de CoFeB exibe uma simetria de 2 dobras inesperada, atribuída à fraca anisotropia uniaxial no plano que persiste mesmo em filmes ultraleves, independentemente das interações dipolares.
Este artigo propõe uma solução de sensoriamento virtual baseada em aprendizado de máquina para estimar com alta precisão a degradação da camada de solda e mapear a temperatura completa em módulos IGBT, superando as limitações de medição direta em ambientes hostis.
Este artigo apresenta o FESTIM v2.0, uma versão major do framework de elementos finitos de código aberto para modelagem de transporte de hidrogênio, que introduz capacidades físicas avançadas para múltiplas espécies e reações químicas, além de uma migração para a plataforma DOLFINx para garantir melhor desempenho e sustentabilidade a longo prazo.
Este estudo investiga as assinaturas observacionais de um buraco negro Anti-de Sitter com carga magnética na teoria de Euler-Heisenberg inspirada em cordas, analisando sombras, órbitas e frequências de oscilação quase-periódica (QPO) para concluir que, embora a carga magnética altere significativamente a estrutura orbital e a propagação da luz, os dados atuais de QPO impõem apenas restrições moderadas, permitindo valores de carga até aproximadamente 0,2 vezes a massa do buraco negro.
Este artigo propõe o Princípio de Incerteza Neural (NUP), um quadro teórico unificado que revela que a fragilidade adversarial em visão e as alucinações em modelos de linguagem compartilham uma origem geométrica comum, permitindo o desenvolvimento de métodos práticos como ConjMask e LogitReg para melhorar a robustez e detectar riscos de alucinação sem necessidade de treinamento adversarial ou geração de tokens.