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.
O artigo propõe o PICS, um solver certificado baseado em princípios de partição de unidade e geometria da informação que resolve equações diferenciais parciais acopladas garantindo a admissibilidade estrutural e otimizando o treinamento em regiões de alto risco para simulações multiphysics mais confiáveis.
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 artigo demonstra que um operador neural de Fourier aprendido pode aproximar com precisão a propagação de ondas fotoacústicas e ser utilizado como um operador direto computacionalmente eficiente para resolver o problema inverso na tomografia fotoacústica, superando em eficiência o método espectral -space convencional.
O artigo apresenta o SPINONet, uma arquitetura de rede neural baseada em neurônios de spiking que melhora a eficiência energética na resolução de equações diferenciais parciais para mecânica computacional, mantendo a precisão preditiva e permitindo treinamento baseado em leis físicas.
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 apresenta uma implementação unificada e heterogênea da teoria do funcional da densidade dependente do tempo em tempo real (RT-TDDFT) baseada em orbitais atômicos numéricos no pacote ABACUS, que utiliza camadas de abstração co-projetadas para acelerar significativamente simulações de dinâmica eletrônica em larga escala em GPUs.
Este artigo apresenta um método sistemático que utiliza mapeamentos exatos, expressões de restrições da Teoria de Conexões Funcionais (TFC) e interpolações transfinite para impor com precisão de máquina as condições de Dirichlet, Neumann e Robin em domínios quadrilaterais com fronteiras curvas, garantindo o cumprimento rigoroso das restrições de compatibilidade nos vértices e validando a abordagem através de extensos experimentos numéricos com redes de aprendizado de máquina.
O artigo apresenta o pacote Python AMELI, que utiliza uma abordagem direta baseada em determinantes de Slater e aritmética exata para calcular com precisão absoluta os elementos de matriz angulares de íons de lantanídeos, eliminando barreiras teóricas para experimentalistas e disponibilizando esses dados como constantes matemáticas universais em repositórios de acesso aberto.
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.
Este artigo apresenta um método de correção intermitente de baixo custo para as equações de Euler unidimensionais, que utiliza variáveis de Riemann diferenciadas para refinar a solução em passos específicos, alcançando precisão de máquina em problemas de longo prazo como o teste de LeBlanc e de expansão severa, superando drasticamente as reconstruções convencionais em malhas grosseiras.