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 estudo quantifica, por meio de simulações atômicas e multiescala, como as discordâncias de malha e de rosca reduzem significativamente a energia superficial das interfaces PbTe-PbSe, sendo que os processos de crescimento heteroepitaxial podem diminuir essa energia em até 50% em comparação com interfaces coerentes.
Este artigo apresenta a criação e o lançamento público do conjunto de dados Open Polymers 2026 (OPoly26), que contém mais de 6,57 milhões de cálculos de teoria do funcional da densidade em estruturas poliméricas, visando superar as limitações computacionais anteriores e aprimorar modelos de aprendizado de máquina para prever propriedades de polímeros.
Os autores propõem um novo quadro generativo baseado em inteligência artificial que combina modelos de linguagem e uma busca heurística eficiente para prever estruturas cristalinas diretamente da composição química, superando os gargalos combinatórios e a dependência de bancos de dados existentes para explorar novos materiais com rigor simétrico.
O artigo apresenta o *peapods*, um pacote Python de código aberto e acelerado em Rust para simulações de Monte Carlo de sistemas de spins de Ising, que oferece uma ampla gama de algoritmos de atualização (incluindo métodos de cluster e temperamento paralelo) e validação precisa em redes Bravais periódicas.
Este trabalho demonstra que a inclusão de um mecanismo de retroalimentação sináptica no modelo de cérebro quântico Lipkin-Meshkov-Glick remodela significativamente a estrutura de fases, expandindo a fase paramagnética e deslocando as fronteiras críticas, o que é caracterizado tanto por distribuições de fase quântica quanto por uma dinâmica de campo médio que valida a capacidade do modelo de ajustar a criticidade coletiva.
O artigo apresenta o SMARL, um método de aprendizado por reforço online que desenvolve fechamentos de submalha estáveis e generalizáveis para simulações de turbulência geofísica, permitindo a previsão precisa de eventos extremos com até cinco ordens de grandeza menos graus de liberdade do que as simulações de alta fidelidade.
Este artigo propõe uma reformulação simplificada e mais intuitiva da função de custo de pontos quentes, incluindo a pré-interpolação de dados de trilhas, para otimizar o código optAPM e melhorar a precisão e confiabilidade das reconstruções de movimentos absolutos das placas tectônicas.
Este artigo propõe um quadro de computação geral para a extração adaptativa de informações de sistemas dinâmicos, onde um módulo de atenção treinável aprende onde sondar o estado do sistema e como combinar essas medições para otimizar o desempenho preditivo, demonstrando que o sensoriamento espacial adaptativo melhora significativamente a precisão em benchmarks caóticos e recontextualiza as redes neurais como dispositivos de medição treináveis.
Este artigo apresenta uma extensão de dois níveis para o framework de micromagnetismo mumax+ que permite simular o acoplamento coerente e dissipativo entre fótons de cavidade e magnons em ferromagnetos e antiferromagnetos, validando a implementação através de oito benchmarks que demonstram desde oscilações de Rabi até a transição de repulsão para atração de níveis.
O artigo propõe um método numérico simples baseado em amostragem por transformada inversa para carregar distribuições de Maxwellian relativístico, utilizando uma distribuição de energia de Maxwell deslocada aproximada por uma função invertível para gerar variáveis aleatórias de energia e momento que reproduzem com sucesso a distribuição desejada.