1229 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 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.
Este estudo demonstra que a engenharia de terminação com nitrogênio na interface Cu/diamante, utilizando potenciais atômicos baseados em aprendizado de máquina, aumenta a condutância térmica interfacial em 21% ao modular seletivamente o transporte de fônons via modificação de massa superficial e regulação de ligação química.
Este estudo apresenta um novo algoritmo baseado em teoria dos grafos e livre de treinamento para segmentação precisa e medição de células de detonação a partir de registros de pressão 3D, superando as limitações dos métodos manuais e de detecção de bordas 2D tradicionais.
O artigo apresenta um algoritmo quasiestático sem grade, implementado no código Wake-T, que permite simular com alta eficiência e baixo custo computacional os campos de plasma em aceleradores baseados em plasmas, resolvendo detalhes finos essenciais para o projeto de futuros colisores.
Este artigo apresenta um procedimento de pós-processamento que utiliza variáveis de Riemann diferenciadas para reconstruir com alta precisão a geometria das ondas sub-célula em simulações de escoamento compressível, recuperando a localização das ondas e afiando contatos a uma única célula com custo computacional insignificante e superando métodos existentes na eliminação de overshoots e erros de energia interna.
Este estudo valida um modelo numérico baseado em dados sísmicos e redes neurais para estimar diretamente o volume de água em reservatórios porosos, utilizando dados experimentais de um sítio controlado na Finlândia para aprimorar a gestão sustentável de aquíferos.
Este trabalho apresenta o SympFlow, uma rede neural simétrica dependente do tempo baseada em mapas de fluxo hamiltoniano parametrizados que preserva a estrutura simplética e a energia, permitindo a aproximação contínua de sistemas hamiltonianos conhecidos e a descoberta de sistemas desconhecidos a partir de dados esparsos com superioridade em conservação de energia em comparação a métodos numéricos tradicionais.
Este artigo apresenta um novo quadro estatístico baseado na mecânica quântica para o fechamento de equações diferenciais parciais que incorpora simetrias dinâmicas, demonstrando sua eficácia na previsão precisa da dinâmica das equações de águas rasas, inclusive para condições iniciais não utilizadas no treinamento.
O artigo apresenta o Aitomia, uma plataforma baseada em inteligência artificial que integra agentes de linguagem e o MLatom para democratizar e acelerar simulações atômicas e químicas quânticas, auxiliando tanto especialistas quanto não especialistas na configuração, execução e análise de cálculos computacionais complexos.
Este artigo apresenta um método inovador que utiliza descritores específicos para acoplamentos não adiabáticos e uma nova correção de fase para aprender com alta precisão essas grandezas, permitindo simulações de dinâmica molecular totalmente baseadas em aprendizado de máquina que descrevem com eficácia o decaimento eletrônico em fulvenos.