1240 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 estende a Teoria dos Meios Porosos para modelar a injeção de cimento acrílico em vértebras sob condições não isotérmicas, introduzindo três balanços de energia e relações constitutivas que garantem consistência termodinâmica e comportamentos fisicamente razoáveis em simulações numéricas.
Este artigo apresenta uma extensão da teoria de deformação não afim, incorporando um kernel de memória dependente do tempo na Equação de Langevin Generalizada, que permite caracterizar com precisão a resposta viscoelástica do polimetilmetacrilato (PMMA) ao longo de mais de vinte décadas de frequência, unificando dados experimentais e computacionais de múltiplas escalas.
Este artigo apresenta um novo algoritmo de Monte Carlo para problemas de transporte de partículas dependentes do tempo, que utiliza janelas de peso automáticas derivadas de um problema auxiliar híbrido (Monte Carlo/determinístico) baseado em equações de segundo momento de baixa ordem para garantir uma distribuição uniforme de partículas e alta eficiência computacional.
O artigo apresenta o método SAP-X2C, um hamiltoniano relativístico de dois componentes que mantém a simplicidade computacional do modelo 1eX2C enquanto incorpora efeitos de mudança de imagem de dois elétrons, oferecendo maior precisão e um limite termodinâmico bem definido para sistemas estendidos.
O artigo apresenta um algoritmo de amostragem de trajetórias de transição baseado em "one-way shooting" que aceita todas as propostas, utilizando um esquema de reponderação para corrigir o viés e melhorar significativamente a eficiência no estudo de sistemas com dinâmica estocástica superamortecida, como a formação de hidratos de clatrato de CO₂.
Este artigo apresenta um modelo substituto multitarefa para equações de estado de estrelas de nêutrons que utiliza a previsão conformal Mondrian para fornecer incertezas certificadas e livres de distribuição, permitindo uma inferência eficiente e rigorosa de propriedades estelares com cobertura empírica precisa.
Este estudo desenvolve um framework de aprendizado de máquina para prever o fluxo em regime permanente em meios porosos, demonstrando que o Operador de Rede de Fourier (FNO) supera os modelos AE e U-Net ao oferecer previsões precisas e até 1000 vezes mais rápidas que a CFD tradicional, sendo ideal para otimização topológica de placas frias.
Este artigo demonstra que a combinação de avanços em aprendizado de máquina e teoria de estrutura eletrônica de alto nível (CCSD(T)) permite prever com precisão quantitativa a energia livre de emparelhamento iônico do CaCO₃ em água, superando as limitações da teoria do funcional da densidade padrão e quantificando integralmente os efeitos entálpicos e entrópicos para sistemas aquosos complexos.
Este artigo demonstra que as diferenças nas dinâmicas físicas subjacentes entre máquinas de Ising baseadas em osciladores e em travas bistáveis resultam em propriedades de estabilidade distintas, levando as máquinas de osciladores a produzir consistentemente soluções de maior qualidade para problemas de otimização combinatória.
Este artigo apresenta um modelo substituto de IA baseado em Operador Neural Informado por Física (PINO) que acelera a análise de retenção de dispositivos Fe-VNAND, alcançando um ganho de velocidade superior a 10.000 vezes em comparação com ferramentas TCAD convencionais, mantendo a precisão física ao prever desvios na tensão de limiar e mecanismos de perda de retenção.