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 propõe e valida um novo quadro teórico baseado em equações diferenciais que corrige as limitações dos modelos de campo médio ao incorporar correlações espaciais de ordem superior em processos SIS sobre grafos regulares aleatórios, permitindo previsões mais precisas da dinâmica de infecção.
Este artigo propõe o efeito de afinidade à barreira de potencial (PBA), um novo mecanismo quântico que explica o acúmulo de elétrons nas regiões interatômicas como consequência direta de energias eletrônicas superiores ao máximo da barreira, desafiando paradigmas tradicionais sobre ligação química e oferecendo uma nova base para o projeto microscópico de materiais.
Este artigo propõe um esquema de "patching" adaptativo que explora estruturas QTT esparsas em blocos para reduzir drasticamente o custo computacional de operações de Tensor Train de grande dimensão, permitindo o cálculo eficiente de diagramas de bolha e equações de Bethe-Salpeter anteriormente inviáveis.
O artigo propõe um quadro de difusão de vídeo informado pela física que integra diretamente as equações de águas rasas no processo generativo, permitindo a previsão simultânea de estados físicos e vídeos realistas com maior fidelidade e velocidade do que os métodos tradicionais ou puramente baseados em dados.
Este artigo apresenta um novo quadro variacional unificado que integra fratura de campo de fase e contato de terceiro meio na hiperelasticidade de grandes deformações, eliminando a necessidade de algoritmos explícitos de detecção de contato ou rastreamento de trincas e permitindo a simulação preditiva de fenômenos acoplados, como zonas de esmagamento secundário em testes de disco brasileiro.
Este estudo apresenta um protocolo otimizado que utiliza redes neurais artificiais para identificar solventes em suspensões de amido a partir de padrões de fratura pós-dessecamento, alcançando uma precisão média de 96% ao analisar nove características morfológicas das imagens.
Este artigo apresenta uma rede neural informada por física (PINN) não supervisionada capaz de resolver com robustez as equações de ponto de sela que governam a ionização acima do limiar em campos fortes, superando as limitações de inicialização manual dos métodos convencionais e permitindo a exploração sistemática de distribuições de momento de fotoelétrons em campos laser personalizados.
Este artigo apresenta uma nova abordagem de fechamento de submalha baseada em redes neurais e restringida pela física para simulação de grandes vórtices (LES) no método de Boltzmann em rede (LBM), que, ao combinar dados de DNS e princípios físicos, supera modelos tradicionais como o Smagorinsky em precisão estatística e eficiência computacional.
Este artigo apresenta uma implementação do algoritmo Rodeo utilizando qudits (sistemas de níveis) para filtragem espectral quântica, introduzindo o conceito de "kernel Rodeo" e um protocolo microcanônico que, validado numericamente no modelo de Ising, demonstra redução de flutuações e maior eficiência na caracterização termodinâmica de sistemas quânticos de múltiplos níveis.
Este trabalho apresenta uma abordagem computacional multiescala baseada no Método Multiescala Heterogêneo Lagrangiano que, ao acoplar descrições macroscópicas e mesoescala, permite prever com sucesso as propriedades reológicas e mecânicas de adesivos sensíveis à pressão a partir de seus parâmetros microestruturais, como densidade de reticulação e fração de gel.