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 artigo apresenta um método de elementos finitos aprimorado por uma decomposição em wavelets adaptadas ao operador, que desacopla os níveis de resolução para permitir cálculos independentes em cada escala, reduzindo significativamente o custo computacional e alcançando complexidade quase linear na análise de problemas eletromagnéticos multiescala.
Os autores apresentam e testam um método de Boltzmann em rede regularizado recursivo baseado em uma formulação de dupla distribuição, que utiliza uma expansão de Hermite de quarta ordem para evoluir campos magnéticos e fluidos, resultando em uma simulação de magnetohidrodinâmica incompressível mais estável, precisa e livre de artefatos de rede.
Este estudo demonstra que a utilização de perfis de temperatura derivados de simulações multiphysics de alta fidelidade, em vez de perfis uniformes, para construir bancos de dados do método da Matriz de Fissão em um reator de sal fundido resulta em uma melhoria significativa na precisão do fator de multiplicação e da distribuição da fonte de fissão.
Este trabalho propõe um novo quadro de aprendizado de máquina centrado no operador, que utiliza o potencial externo (nuclear) como entrada para construir representações hierárquicas e equivariantes capazes de prever propriedades moleculares e mapear diretamente para operadores eletrônicos, como a matriz de Fock e a matriz de densidade reduzida.
Os autores apresentam uma máquina de ultrassom virtual baseada em partículas, utilizando uma variante inovadora da dinâmica de partículas dissipativa suavizada, capaz de simular interações onda-matéria em frequências de MHz a GHz para modelar aplicações como a acustoforese de microbolhas em terapias de liberação de fármacos.
Este estudo apresenta um método inovador que utiliza inferência bayesiana acelerada por aprendizado de máquina, implementado em Julia, para determinar a distribuição de impurezas em detectores de germânio de alta pureza com base em medições de capacitância, revelando uma dependência radial da densidade de impurezas.
Este artigo apresenta o RINO (Resolution Independent Neural Operator), uma nova arquitetura baseada no DeepONet que utiliza representações neurais implícitas para aprender operadores entre funções discretizadas em localizações e quantidades de sensores arbitrárias, superando assim a limitação de resolução fixa dos métodos anteriores.
Este artigo propõe um método adaptativo baseado em processos gaussianos e no suavizador de conjunto de atualização local iterativa (ILUES) para resolver eficientemente problemas inversos bayesianos multimodais, gerando amostras de alta qualidade para construir um modelo substituto que permite a representação precisa da distribuição posterior com um número limitado de simulações do modelo direto.
Este estudo propõe uma abordagem baseada em Redes Neurais Informadas pela Física (PINN) para identificar danos em pontes ferroviárias de treliça de aço, utilizando dados de resposta estrutural e carga de trens em um modelo não supervisionado que integra equações diferenciais governantes para atualizar modelos de elementos finitos e localizar danos com precisão.
Este artigo apresenta um novo framework de expansão de clusters estocástica que permite calcular com alta precisão a energia de correlação total de grandes sistemas condensados, sem a necessidade de selecionar previamente um espaço ativo, superando assim as limitações de custo computacional e a dificuldade de definição de subsistemas em métodos tradicionais.