1230 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 apresenta as "Excited Pfaffians" e o método de Amostragem por Importância Multi-Estado (MSIS), uma arquitetura de rede neural unificada que permite calcular com alta eficiência e precisão múltiplos estados excitados e superfícies de energia potencial, superando significativamente os custos computacionais e a escalabilidade das abordagens anteriores.
Este artigo apresenta um framework robusto e eficiente baseado em redes neurais convolucionais unidimensionais (1D-CNN) para análise em tempo real de espectros de ressonância magnética opticamente detectada (ODMR) de centros de vacância de nitrogênio em diamante, superando as limitações dos métodos de ajuste não linear convencionais em termos de velocidade, precisão e robustez, especialmente em baixas razões sinal-ruído, e validando sua aplicação em medições de temperatura intracelular e imageamento magnético de vórtices supercondutores.
Este trabalho estende a abordagem de backflow de redes neurais para cálculos de estado sólido *ab-initio*, introduzindo uma estratégia de poda em duas etapas que permite simulações escaláveis e de precisão de última geração em materiais como cadeias de hidrogênio, grafeno e silício.
Este artigo apresenta um método escalável baseado em potenciais atômicos que supera as limitações computacionais atuais para modelar com precisão o acoplamento elétron-fônon e o transporte eletrônico em sistemas de grafeno bicamada torcida com milhares de átomos, revelando um aumento drástico na resistividade à medida que o ângulo de torção diminui.
Este artigo apresenta uma demonstração reprodutível de um fluxo de trabalho científico assistido por IA, que utiliza problemas de referência canônicos em física e matemática para validar a capacidade da inteligência artificial atuar como um copiloto confiável na derivação, implementação, verificação e preparação de manuscritos, desde que cada etapa seja rigorosamente controlada por teoria de referência e verificação explícita.
O artigo demonstra que uma rede hipotética de 175 sensores de pressão no leito marinho, combinada com um framework de inferência bayesiana que separa pré-cálculos offline de assimilação online, permite previsões probabilísticas de tsunamis em tempo real na Zona de Subducção de Cascadia com alta precisão e em menos de um segundo, superando a limitação de observações offshore esparsas.
Este estudo demonstra que, embora os momentos magnéticos locais persistam acima da temperatura de Néel em CrSb e MnTe, a restauração da degenerescência de spin de Kramers ocorre de forma suave e distinta em cada material: em CrSb metálico, ela acontece bem abaixo de devido ao forte embaçamento dos estados eletrônicos, enquanto em MnTe semicondutor, a degenerescência só é recuperada próximo ou acima de .
Este estudo propõe um novo framework de autoencoder convolucional e equações diferenciais neurais (CAE-NODE) para criar um modelo de ordem reduzida que comprime com sucesso dados de chamas contrafluxo transientes bidimensionais em um manifold latente contínuo, permitindo a previsão precisa da evolução temporal completa do processo de reação com erros relativos inferiores a 2%.
Este artigo propõe uma abordagem consistente para a modelagem em simulações de turbulência de grandes vórtices (LES) que elimina a inconsistência conceitual do termo de advecção filtrado tradicional, demonstrando através de estudos que a aproximação direta desse termo, baseada em uma expansão em série, produz resultados superiores em espectros de energia e correlações de velocidade em comparação com métodos clássicos.
Este trabalho apresenta uma reformulação estocástica do framework AMIAS/RISE para tomografia de emissão, utilizando amostragem Hamiltoniana para gerar conjuntos de imagens que permitem a quantificação de incertezas e a validação de modelos físicos, distinguindo entre a má condicionalidade intrínseca do problema inverso e as inadequações do modelo de avanço.