Pesquisadores da Universidade do Novo México e do Los Alamos National Laboratory construíram o THOR (Tensors for High-dimensional Object Representation), framework que calcula diretamente integrais configuracionais — equações centrais da mecânica estatística — mais de 400x mais rápido que métodos convencionais de supercomputadores. O sistema combina algoritmos de redes tensoriais com modelos de machine learning, identificando simetrias cristalinas para reduzir a demanda computacional e quebrando a 'maldição da dimensionalidade' que tornava o cálculo direto impraticável há quase um século.