1241 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 artigo apresenta um método baseado em redes neurais que projeta dados de diferentes bacias metastáveis em um manifold de baixa dimensão para gerar variáveis coletivas eficientes, permitindo a descrição clara e computacionalmente econômica de perfis de energia livre em processos químicos complexos de múltiplos passos com uma única variável.
Este estudo propõe uma abordagem bayesiana de Langevin para quantificar simultaneamente a dinâmica determinística e estocástica em sistemas críticos, aplicando-a à análise do apagão de 1996 na América do Norte para revelar interações complexas entre resiliência e ruído que indicam mudanças no estado da rede antes do evento desencadeador oficial.
Os autores apresentam um método que deriva o modelo contínuo elástico exato de qualquer rede discreta de molas, calculando deslocamentos não afins a partir apenas da geometria e topologia da rede, permitindo prever com precisão as propriedades mecânicas de sistemas cristalinos, desordenados e auxéticos sem a necessidade de simulações computacionalmente custosas.
Este estudo utiliza simulações de dinâmica molecular com potenciais de aprendizado de máquina e técnicas de amostragem aprimorada para elucidar os mecanismos estruturais e dinâmicos da polimerização do enxofre líquido e da formação de anéis através da transição , fornecendo resultados que concordam com dados experimentais.
O artigo propõe um método autoconsistente baseado na função comitadora e no princípio variacional para explorar o conjunto de estados de transição e identificar quantitativamente os graus de liberdade mais relevantes em processos de transição raros, como o dobramento de proteínas, sem exigir informações além dos estados inicial e final.
O artigo apresenta o Astral, uma nova função de perda para redes neurais informadas por física (PiNNs) baseada em majorantes de erro que, ao fornecer uma estimativa direta e confiável da precisão da solução, supera as abordagens tradicionais de minimização de resíduo ao garantir convergência mais rápida e permitir uma análise de erro espacialmente correlacionada.
Este artigo propõe uma abordagem totalmente automática para a definição de variáveis coletivas em simulações de amostragem aprimorada, utilizando redes neurais de grafos para processar diretamente coordenadas atômicas sem descritores pré-definidos, garantindo invariância simétrica e demonstrando eficácia em diversos sistemas químicos.
Este trabalho aprimora o estudo de eventos raros em simulações computacionais ao integrar o cálculo variacional da função comitadora com uma abordagem de amostragem aprimorada baseada em metadinâmica, permitindo uma caracterização precisa e equilibrada das superfícies de energia livre, inclusive em sistemas com múltiplos caminhos reativos e estados intermediários.
Este estudo apresenta um método inovador que combina refinamento adaptativo baseado em resíduos com treinamento informado por causalidade para superar as limitações das Redes Neurais Informadas por Física (PINNs) na modelagem precisa da evolução de interfaces complexas em sistemas dinâmicos, como demonstrado na equação de Allen-Cahn.
Este trabalho apresenta uma análise teórica e prática de limites de erro para Redes Neurais Informadas pela Física (PINNs) na resolução da equação diferencial parcial de Fokker-Planck, demonstrando que o método oferece soluções precisas e escaláveis para sistemas complexos com uma aceleração computacional significativa em comparação com a abordagem de Monte Carlo.