1231 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 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.
O artigo apresenta o ANNA, uma caixa de ferramentas computacional desenvolvida em MATLAB e Python que calcula o ruído newtoniano gerado por ondas sísmicas em meios heterogêneos para o observatório de ondas gravitacionais Einstein Telescope, utilizando elementos finitos e demonstrando alta precisão ao validar seus resultados com soluções analíticas.
Este artigo apresenta uma prova de conceito para um sistema automatizado de ponta a ponta que otimiza bobinas de stellarator usando algoritmos genéticos ou LLMs, integrando cálculos de elementos finitos em tempo real para avaliar tensões de Von Mises e acelerar o design de reatores de fusão.
O artigo apresenta o UniMatSim, um framework Python modular que unifica e automatiza fluxos de trabalho de simulação de materiais de alto rendimento ao integrar diversos potenciais interatômicos baseados em aprendizado de máquina universal, demonstrando sua eficácia na descoberta de estruturas estáveis de redes de Lieb bidimensionais.
Este estudo de primeiros princípios, utilizando a teoria do funcional da densidade, investiga defeitos pontuais de érbio no 4H-SiC para validar seu potencial como uma plataforma escalável para dispositivos quânticos, como emissores de fótons únicos e redes quânticas distribuídas.
Este artigo é um tutorial abrangente que detalha o método de Monte Carlo variacional utilizando funções de onda baseadas em redes neurais artificiais, ilustrando a intersecção entre aprendizado de máquina e física por meio da introdução de ferramentas matemáticas e demonstrações com exemplos de potenciais químicos e moléculas simples.
Este artigo propõe um método pós-hoc leve que utiliza diferenças finitas para gerar mapas de erro pontuais e interpretáveis para Redes Neurais Informadas pela Física (PINNs) em equações diferenciais parciais lineares, permitindo validar a precisão das previsões sem necessidade da solução verdadeira.
Este artigo apresenta um novo operador neural híbrido, o WGNO, e compara-o com PINNs e solvers numéricos tradicionais, demonstrando que essas abordagens de inteligência artificial oferecem alta precisão e tempos de inferência significativamente reduzidos para a simulação da difração de ondas eletromagnéticas EUV em máscaras de litografia, acelerando assim o design e a otimização de máscaras de próxima geração.
Este artigo defende que redes de tensores informadas por princípios físicos, especialmente aquelas que exploram simetrias e outras estratégias complementares, oferecem uma abordagem unificada e escalável para a simulação eficiente de sistemas quânticos, computação e aprendizado de máquina.
Este trabalho apresenta o RadField3D, um gerador de dados de código aberto baseado em Geant4 e um formato de dados otimizado para aprendizado profundo, destinados à pesquisa de métodos alternativos de simulação de radiação para dosimetria em aplicações médicas.