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.
O artigo apresenta o "El Agente Cuántico", um sistema de IA multiagente que automatiza fluxos de trabalho de simulação quântica traduzindo intenções científicas em linguagem natural para computações executadas e validadas em diversos frameworks de software, unificando paradigmas distintos e reduzindo barreiras técnicas para a exploração de modelos físicos.
Este artigo demonstra que a barreira de emaranhamento encontrada ao aplicar a propagação de tempo imaginário em estados de produto matricial para resolver o problema 3-SAT é fundamentalmente originada pela complexidade computacional clássica do problema de contagem #3-SAT, limitando a eficiência tanto de simulações clássicas quanto de abordagens quânticas devido à necessidade de recursos superlineares.
Este artigo apresenta um framework de aprendizado de máquina baseado em semidefinição positiva que utiliza redes neurais convexas para aprender uma aproximação baseada em vértices do conjunto de matrizes de densidade reduzida de dois elétrons (2-RDM) N-representáveis, permitindo cálculos variacionais diretos com precisão aprimorada e custo computacional comparável ao de cálculos de duas-positividade, sem a necessidade de explicitamente construir condições de positividade de ordem superior.
Este artigo introduz modelos de deriva para geração de conformações moleculares, estabelecendo uma identidade teórica que incorpora forças físicas para corrigir o viés de amostragem e alcançar uma aceleração de milhões de vezes em relação aos métodos tradicionais de dinâmica molecular, mantendo precisão e validade estrutural.
O artigo propõe o JAWS, uma estratégia de regularização probabilística que ajusta adaptativamente a força da regularização com base na complexidade física local, permitindo que modelos de operadores neurais realizem rollouts de longo prazo estáveis e precisos em sistemas dinâmicos com descontinuidades, superando o dilema entre contração e dissipação e reduzindo os custos computacionais.
Este estudo desenvolve e valida uma abordagem combinada analítica e numérica para modelar a relação entre as condições operacionais de jatos supersônicos de spray térmico e suas assinaturas aeroacústicas, demonstrando que o monitoramento do ruído pode servir como uma ferramenta não intrusiva para controlar o transporte e a distribuição de partículas em voo.
Este artigo apresenta o Autoencoder de Koopman de Tempo Contínuo (CT-KAE) como um modelo substituto leve e estável para previsões oceânicas de longo prazo, demonstrando superioridade sobre baselines autoregressivos ao manter estatísticas de grande escala e crescimento de erro limitado em simulações de 2083 dias, enquanto oferece uma inferência ordens de magnitude mais rápida.
Este artigo apresenta a primeira aplicação de *spectral nudging* em um sistema de previsão de conjunto probabilístico, combinando modelos físicos e de aprendizado de máquina para demonstrar melhorias significativas na habilidade de previsão de larga escala, incluindo a extensão do tempo útil de previsão e a precisão na trajetória de ciclones tropicais.
O artigo demonstra que o pré-treinamento de tokenizadores com um objetivo de autoencoder, especialmente quando alinhado ao domínio físico específico, melhora significativamente a eficiência e a precisão dos modelos de base para física, reduzindo o erro de VRMSE em 64% em comparação com o treinamento a partir do zero.
Este artigo apresenta o TRec, um framework baseado em física que utiliza tomografia de espalhamento de múons com medição de momento para detectar com alta sensibilidade a ausência de combustível em microreatores selados, superando significativamente os métodos tradicionais como PoCA.