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.
Este artigo apresenta um levantamento abrangente de 35 pacotes de software do Grupo de Renormalização da Matriz de Densidade (DMRG), destacando a redundância de funcionalidades e a falta de padronização como barreiras sociais que podem ser superadas por maior modularização e colaboração para otimizar o estudo de sistemas quânticos.
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 estudo utiliza cálculos de primeiros princípios para projetar e identificar dois materiais bidimensionais estáveis, Al₂Si₂N₄ e Al₂Ge₂N₄, que, especialmente com a introdução de vacâncias de nitrogênio, apresentam propriedades eletrônicas e catalíticas ideais para a divisão fotocatalítica da água em ambientes ácidos e neutros.
Este artigo apresenta e valida um novo modelo macroscópico tridimensional de dinâmica dos fluidos computacional (CFD) que incorpora termos de fonte volumétrica baseados na taxa de ocupação dos poros, demonstrando sua eficácia na previsão de curvas de ruptura e na otimização do projeto de adsorvedores de leito fixo para captura de CO2.
O artigo apresenta o GPU-MetaD, um pacote de simulação de metadinâmica acelerado por GPU que integra potenciais de aprendizado de máquina para permitir amostragem de eventos raros em nível de primeiros princípios em sistemas com milhões de átomos, revelando um novo mecanismo de nucleação dependente do tamanho no nitreto de gálio.
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 apresenta procedimentos numéricos e receitas para gerar diversas distribuições de velocidade não-Maxwellianas em simulações de partículas, incluindo métodos de Monte Carlo e rejeição para distribuições , kappa regularizadas e subtraídas, além de abordagens para distribuições de anel, casca, super-Gaussianas e de casca preenchida.
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.
Este artigo propõe um framework escalável que utiliza simulações de sistemas microscópicos pequenos para aprender dinâmicas estocásticas macroscópicas de sistemas físicos complexos, empregando um esquema de evolução parcial e um método de amostragem hierárquica para superar as limitações computacionais de simulações diretas em larga escala.
Este estudo analisa como a incerteza nos modelos de populações de binários compactos e nas equações de estado limita a confiabilidade da classificação de objetos como estrelas de nêutrons ou buracos negros em eventos de ondas gravitacionais, demonstrando que as probabilidades de classificação variam significativamente dependendo de parâmetros populacionais, como preferências de emparelhamento e distribuições de rotação.