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 desenvolve e avalia quatro potenciais interatômicos aprendidos por máquina (ACE, MACE, GAP e tabGAP) para simular com precisão de nível DFT a evolução de defeitos e danos por radiação no supercondutor YBCO.
Este trabalho propõe um novo framework que combina Redes Kolmogorov-Arnold (KAN) com o método de Level-Set para resolver problemas de fronteira móvel, demonstrando que essa abordagem é uma alternativa compacta e eficiente para aproximar campos de temperatura e a dinâmica de interfaces em sistemas físicos.
Este estudo utiliza simulações atomísticas e aprendizado de máquina para investigar as resistências locais ao deslizamento de discordâncias em ligas de alta entropia refratárias, desenvolvendo um modelo preditivo para a tensão de escoamento baseado em propriedades como constante elástica e distorção de rede.
O DISCOVER é um novo framework de regressão simbólica de código aberto, acelerado por GPU e orientado pela física, projetado para descobrir descritores matemáticos interpretáveis e escaláveis para aplicações em ciência dos materiais, química e física computacional.
Este estudo compara os modelos de Borgnakke-Larsen e Pullin para a troca de energia rotacional em gases diatômicos via método DSMC, concluindo que o modelo de Pullin oferece uma base teórica mais rigorosa e consistente, mantendo um desempenho comparável ao modelo tradicional em regimes de escoamento altamente rarefeitos.
Este estudo demonstra que o uso de *compressed sensing* com células sobrepostas permite reduzir o uso de memória em simulações de Monte Carlo de até 81,25% em 2D e 96,25% em 3D, mantendo uma alta precisão na reconstrução dos resultados.
O artigo propõe um novo operador de refinamento de malha adaptativa (AMR) baseado em octrees que garante a conservação global de campos em simulações de longa duração, utilizando uma projeção para mitigar o erro de deriva sistemática durante o processo de coalescência (coarsening).
O artigo propõe um método multinível baseado em *tensor-train* (TT) para resolver equações diferenciais parciais não lineares em uma formulação monolítica de espaço-tempo, utilizando uma estratégia de refinamento progressivo para garantir convergência robusta e maior eficiência computacional em regimes complexos onde métodos tradicionais falham.
Este artigo estabelece um novo arcabouço dentro da Teoria Funcional da Matriz de Densidade Reduzida de Um Corpo que permite a determinação universal da Informação de Fisher Quântica para estados fundamentais fermiônicos e bosônicos diretamente da matriz de densidade reduzida de um corpo, evitando assim a complexidade computacional de funções de onda exponencialmente grandes.
Este artigo propõe um modelo de campo de fase de campo de orientação não local que incorpora anisotropia de contorno de grão dependente de desorientação e inclinação usando um único campo de orientação, permitindo, assim, o ajuste preciso da energia do contorno de grão ao mesmo tempo em que simplifica o procedimento de ajuste e reproduz com precisão comportamentos microestruturais fundamentais, como o crescimento linear de grãos e o equilíbrio de junções triplas.