1234 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 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.
Este artigo apresenta a implementação e aceleração em GPUs do solver de fronteira imersa de interface nítida ViCar3D, demonstrando ganhos de desempenho de até 20 vezes e alta eficiência de escalabilidade para simulações de fluxo complexo em larga escala com até 200 milhões de pontos de malha.
Este estudo propõe que a intercalação de lítio e vanádio em bilayers de V2Se2O induz um novo paradigma de multiferroicos ferrimagnéticos e ferroelásticos à temperatura ambiente, otimizando suas propriedades de transporte anômalo e de spin para aplicações em dispositivos miniaturizados de alta eficiência.
O artigo propõe um esquema de passeios quânticos em grafos cíclicos (CQWs) que, utilizando transformadas de Fourier discretas e um Hamiltoniano efetivo, gera eficientemente fases topológicas, bandas planas e estados de borda protegidos em sistemas quânticos de pequena escala, oferecendo uma plataforma versátil e robusta para tecnologias quânticas tolerantes a falhas.
O artigo apresenta o DRIFT-Net, uma nova arquitetura de operador neural que combina ramos espectrais e de imagem para capturar simultaneamente informações de baixa frequência globais e detalhes locais, superando as limitações de acoplamento global e acúmulo de erro de modelos baseados em atenção em tarefas de aprendizado de EDPs.
Este artigo propõe uma nova arquitetura de junção de túnel totalmente altermagnética (RuO2/NiF2/RuO2) que, ao utilizar barreiras e eletrodos de altermagnetos, supera as limitações de campos de fuga e funcionalidade das junções tradicionais, alcançando magnetorresistências extremamente elevadas e eficiência de filtragem de spin sem consumo excessivo de energia.
Este artigo apresenta um novo framework de todos os elétrons, implementado no código QCDark2, que incorpora efeitos de campo local e o tratamento de aproximação de fase aleatória (RPA) para calcular com precisão as taxas de espalhamento de matéria escura por elétrons em sólidos, demonstrando que esses efeitos são cruciais para prever espectros de recuo e sensibilidades em materiais como silício, germânio e diamante.
Este artigo propõe um quadro de desenho experimental ótimo baseado em Bayes, que utiliza aproximações gaussianas e de matrizes de informação para maximizar a redução da incerteza paramétrica na aprendizagem de leis constitutivas dependentes da história, permitindo a otimização *in silico* de geometrias de espécimes e caminhos de carregamento para testes de materiais mais eficientes e confiáveis.
Este estudo propõe uma técnica de aceleração baseada em decomposição ortogonal própria (POD) para o esquema variacional de partículas determinísticas, reduzindo drasticamente o custo computacional na simulação de dinâmicas de polímeros em 3D com erro relativo mínimo, viabilizando assim aplicações práticas em fluidos complexos.
O artigo estabelece leis de escala empíricas para Redes Neurais Incentivadas pela Física de Camada Única, revelando que falhas de otimização, e não a capacidade de aproximação, limitam o desempenho em PDEs não lineares devido a um viés espectral que impede a aprendizagem de componentes de alta frequência.