1242 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 demonstra que a quebra de simetria estrutural, magnética ou dipolar pode transformar metais falsos em isolantes reais e reduzir a necessidade de tratamentos de correlação forte, resolvendo assim a controvérsia histórica entre Mott e Slater ao mostrar que a degenerescência, e não apenas a correlação forte, é a causa fundamental do comportamento isolante em óxidos de metais de transição.
Este trabalho propõe extensões de temperatura finita do método TAO-DFT (incluindo dinâmica molecular *ab initio* e esquemas QM/MM) para estudar sistemas de multi-referência, aplicando-os a n-acenos para demonstrar que, até 1000 K, os efeitos da temperatura nuclear são mais significativos para suas propriedades do que os efeitos da temperatura eletrônica.
O artigo apresenta um novo algoritmo baseado em curvatura e teoria espectral que, embora não garanta teoricamente a solução para todos os casos, resolve determinística e eficientemente em tempo polinomial todas as instâncias testadas de grafos isomórficos, incluindo aqueles historicamente difíceis para técnicas clássicas.
Este artigo apresenta uma análise abrangente da instabilidade de Kelvin-Helmholtz em plasmas colisionais com pressão anisotrópica (modelo CGL), demonstrando que, em comparação com o limite magnetohidrodinâmico (MHD), a formação de anisotropias de pressão reduz a energia disponível para a deformação das linhas de campo, resultando em menores taxas de crescimento, correntes mais fracas e ilhas magnéticas menos desenvolvidas.
O artigo apresenta o Neural-POD, um operador neural plug-and-play que aprende funções de base ortogonais não lineares e invariantes à resolução diretamente no espaço de funções, superando as limitações de discretização dos modelos de IA para ciência e permitindo sua integração em modelos de ordem reduzida e frameworks de aprendizado de operadores.
Este estudo utiliza cálculos de teoria do funcional da densidade para mapear sistematicamente a estrutura eletrônica e a fermiologia de 45 metallenes elementares, revelando como o tipo de rede e o empenamento influenciam suas superfícies de Fermi e propondo uma métrica unificada ("pocketness") para guiar aplicações futuras em plasmônica, catálise e óptica quântica.
Este artigo apresenta uma nova estrutura teórica chamada "Estrutura Topológica de Superposições" (TSS), que mapeia matrizes unitárias em grafos direcionados ao ignorar amplitudes e fases para revelar a topologia do fluxo de informação e auxiliar no desenvolvimento de algoritmos quânticos.
O artigo apresenta o mrfmsim, um pacote de código aberto em Python com arquitetura modular e extensível que facilita a simulação, o projeto e a análise de experimentos de microscopia de força de ressonância magnética (MRFM), garantindo reprodutibilidade e adaptabilidade em um campo experimental em rápida evolução.
Este estudo compara modelos de transformadores e redes neurais recorrentes (RNNs) para a modelagem de materiais compósitos, revelando que, embora os transformadores ofereçam uma inferência significativamente mais rápida, as RNNs apresentam maior precisão e desempenho superior em cenários de extrapolação e com conjuntos de dados menores.
Este trabalho apresenta um modelo substituto adaptativo guiado por incerteza, que combina XGBoost e CNNs com amostragem ativa para simular eficientemente a solidificação dendrítica em manufatura aditiva, reduzindo significativamente o custo computacional, o número de simulações de campo de fase necessárias e as emissões de CO₂ associadas.