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 trabalho propõe e avalia três formulações de Modelos de Ordem Reduzida (MOR) não intrusivos adaptativos que atualizam online o subespaço latente e a dinâmica reduzida, demonstrando que abordagens híbridas oferecem maior robustez e precisão energética em regimes dinâmicos fora do conjunto de treinamento, superando as limitações de modelos estáticos.
Este estudo utiliza simulações de dinâmica molecular clássica com átomos de argônio para analisar as flutuações, correlações e distribuições de temperatura durante as fases intermediárias que antecedem o equilíbrio térmico entre corpos em contato, complementando a compreensão da Lei Zero da Termodinâmica.
O artigo apresenta um framework analítico para avaliar integradores do tipo Verlet em equações de Langevin, demonstrando que o conjunto de integradores GJ é o único capaz de simular corretamente difusão, deriva e a distribuição de Boltzmann em sistemas lineares.
Este artigo utiliza o método de redução de fase para analisar a sincronização de osciladores acionados pelo operador de Dirac-Bianconi em redes de ordem superior, estendendo a dinâmica de sistemas acoplados para sinais topológicos definidos em nós, arestas e estruturas de dimensões superiores.
Este artigo avalia o desempenho do framework EUCLID na descoberta automática de leis constitutivas hiperelásticas a partir de dados experimentais de borracha natural, comparando-o com métodos de identificação tradicionais em termos de precisão preditiva, generalização e cobertura do espaço de estados materiais.
O `diffpy.morph` é um pacote Python de código aberto que permite realizar comparações independentes de modelos entre conjuntos de funções 1D, utilizando transformações chamadas "morphs" para remover variações irrelevantes e revelar diferenças científicas significativas em espectros.
Este trabalho propõe um modelo de mistura condicional multimodal que integra conhecimentos físicos por meio de regularização em redes de densidade de mistura (MDNs), oferecendo uma abordagem interpretável e eficiente para modelar sistemas científicos complexos com comportamentos não lineares e múltiplos regimes.
Este trabalho analisa como a inconsistência entre os dados e as equações diferenciais limita a precisão das Redes Neurais Informadas pela Física (PINNs), introduzindo o conceito de "barreira de consistência" para demonstrar que o erro final do modelo é determinado pelo nível de fidelidade dos dados utilizados.
Este estudo utiliza a teoria de resposta para investigar a dinâmica e a separação de cargas eletrônicas, demonstrando que a resposta quadrática é essencial para descrever esses processos de forma mais precisa que a resposta linear, aproximando-se de resultados de propagação temporal exata.
Este estudo utiliza cálculos de DFT para investigar as propriedades termodinâmicas, ópticas, mecânicas e de armazenamento de hidrogênio dos hidretos (), concluindo que o é o candidato mais promissor devido à sua maior capacidade de armazenamento de hidrogênio.