914 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 relata o primeiro cálculo de um momento de Schiff nuclear para o isótopo F utilizando o modelo de casca sem núcleo, combinado com cálculos de química quântica para o íon HfF, permitindo estabelecer a primeira restrição experimental para esse momento e abrindo caminho para o uso de métodos *ab initio* na investigação de interações além do Modelo Padrão.
Os autores propõem um algoritmo de grupo de renormalização em espaço real para redes de tensores bidimensionais que utiliza tensores de fronteira variacionais como ambiente global otimizado para construir projetores de renormalização mais precisos, mantendo a mesma complexidade computacional do método TRG original.
Este estudo demonstra que sistemas de matéria ativa, particularmente aqueles formando gotículas líquidas, funcionam como reservatórios eficazes para computação de reservatório, onde forças de acionamento não lineares e a transição de interações repulsivas para atrativas ativam mecanismos regulatórios emergentes que melhoram o processamento de informação e a robustez do sistema, independentemente do método de injeção de dados.
Este trabalho apresenta o NextHAM, um método de aprendizado profundo universal que combina uma arquitetura neural com simetria E(3) e um novo conjunto de dados abrangente (Materials-HAM-SOC) para prever com alta precisão e eficiência os Hamiltonianos de estrutura eletrônica de materiais, corrigindo limitações de generalização e estabilidade encontradas em abordagens anteriores.
Este estudo compara a estabilidade mecânica de modelos comerciais e modificados de lentes intraoculares (IOLs) através de simulações numéricas e experimentais, identificando que pequenas alterações geométricas nos haptos impactam significativamente o desempenho e concluindo que o modelo V4 oferece a estrutura mais adequada para estabilidade e conforto do paciente.
Os autores apresentam um fluxo de trabalho experimentalmente validado que utiliza mapas de sensibilidade interpretáveis em nível de pixel para identificar subestruturas críticas em dispositivos de fotônica integrativa projetados por inversão, permitindo a verificação de regras de fabricação e a alocação de restrições sem modificar o solver eletromagnético subjacente.
Este artigo apresenta um modelo de ordem reduzida não linear e não estacionário, que integra a teoria de Volterra com dinâmica de osciladores e utiliza o algoritmo OMP para identificar seus parâmetros, demonstrando sua capacidade de reproduzir com alta precisão e eficiência computacional o comportamento aeroelástico complexo, incluindo o travamento (lock-in), em escoamentos transônicos com buffet de choque sobre um perfil OAT15A.
O artigo apresenta um novo algoritmo baseado em curvatura e teoria espectral que, embora não garanta teoricamente a solução para todos os casos, resolve determinística e eficientemente em tempo polinomial todas as instâncias testadas de grafos isomórficos, incluindo aqueles historicamente difíceis para técnicas clássicas.
Este artigo apresenta uma análise abrangente da instabilidade de Kelvin-Helmholtz em plasmas colisionais com pressão anisotrópica (modelo CGL), demonstrando que, em comparação com o limite magnetohidrodinâmico (MHD), a formação de anisotropias de pressão reduz a energia disponível para a deformação das linhas de campo, resultando em menores taxas de crescimento, correntes mais fracas e ilhas magnéticas menos desenvolvidas.
O artigo apresenta o Neural-POD, um operador neural plug-and-play que aprende funções de base ortogonais não lineares e invariantes à resolução diretamente no espaço de funções, superando as limitações de discretização dos modelos de IA para ciência e permitindo sua integração em modelos de ordem reduzida e frameworks de aprendizado de operadores.