917 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 estudo utiliza potenciais de aprendizado de máquina e simulações de dinâmica molecular para revelar os mecanismos de deformação anisotrópica e a resposta compressiva do ligante refratário NbTaTiZr sob altas taxas de deformação e temperaturas extremas, demonstrando como a composição e as condições de carregamento influenciam sua resistência mecânica e transições estruturais.
Este artigo apresenta um novo quadro de reconstrução inversa que determina com precisão a permissividade complexa, a composição e a topologia microestrutural de compósitos ópticos heterogêneos a partir de um único espectro de extinção infravermelha, superando as limitações das abordagens lineares tradicionais ao integrar teoria de espalhamento e modelos de mistura dielétrica não linear.
Este trabalho desenvolve um quadro analítico exato para a separação do movimento do centro de massa e relativo em magnetoexcitons bidimensionais anisotrópicos, utilizando o momento pseudocinético e métodos não perturbativos para revelar acoplamentos dependentes da anisotropia e prever com precisão as propriedades energéticas em materiais como o fósforo negro e o trissulfeto de titânio.
Este artigo descreve o desenvolvimento e a eficácia de uma plataforma interativa online para laboratórios de física, que replicou os experimentos do St. Xavier's College em Kolkata, resultando em feedback 100% positivo dos estudantes quanto à melhoria da compreensão conceitual e da confiança para realizar práticas físicas.
Este trabalho apresenta o GABI, um framework que utiliza autoencoders geométricos para aprender priores generativos condicionados à geometria a partir de grandes conjuntos de dados, permitindo a quantificação de incertezas robusta e adaptável em problemas de inversão bayesiana de sistemas físicos com geometrias complexas, sem depender das equações governantes.
Este trabalho avalia e valida o potencial de interação atômica baseado em aprendizado de máquina (UMA) para simulações de dinâmica molecular de MoS2 dopado, demonstrando sua capacidade de prever com precisão fenômenos complexos e permitir a triagem de alto rendimento de dopantes a um custo computacional drasticamente reduzido em comparação com a teoria do funcional da densidade.
O artigo apresenta o MDIntrinsicDimension, um pacote Python de código aberto que estima a dimensão intrínseca de trajetórias de dinâmica molecular para analisar movimentos coletivos e flexibilidade local em macromoléculas, complementando descritores geométricos convencionais.
Este artigo apresenta uma abordagem de otimização topológica para o projeto inverso de geometrias estruturais de supercondutores do tipo II, utilizando a teoria de Ginzburg-Landau sob a calibração de Weyl para modelar a resposta magnética e otimizar a pinagem de fluxo em interfaces supercondutor-dielétrico/vácuo.
Este artigo apresenta uma implementação de código aberto e benchmarks reprodutíveis que avaliam e comparam técnicas de hiper-redução, como o método de quadratura empírica (EQP) e métodos de interpolação baseados em POD, para acelerar simulações de elementos finitos não lineares, revelando que a escolha do método ideal depende do problema específico e do esquema de integração temporal utilizado.
Este artigo propõe um framework baseado em aprendizado de máquina que combina estimativa de parâmetros e uma rede neural com restrições físicas para reconstruir com robustez funções de densidade espectral de sistemas quânticos abertos a partir de dados ruidosos no domínio do tempo.