2070 artículos
La mecánica estadística es la rama de la física que conecta el comportamiento de átomos y moléculas individuales con las propiedades que observamos en nuestra vida diaria, como la temperatura o la presión. En esta sección de Gist.Science, exploramos cómo los científicos utilizan modelos matemáticos para entender fenómenos complejos, desde el magnetismo hasta los nuevos materiales, sin necesidad de descifrar ecuaciones intrincadas.
Cada documento en esta categoría proviene directamente de arXiv, el repositorio líder para preprints científicos. Nuestro equipo procesa cada nuevo envío en esta área, ofreciendo tanto un resumen técnico detallado para expertos como una explicación clara y accesible para cualquier persona interesada en la ciencia. A continuación, encontrará las investigaciones más recientes en mecánica estadística que han sido analizadas y simplificadas para su lectura.
El artículo revisa y propone generalizaciones de la forma de Keffer para la constante de Dzyaloshinskii, analizando sus consecuencias macroscópicas en las ecuaciones de evolución del espín, el momento y la polarización, así como su analogía en el Hamiltoniano de Heisenberg.
Este estudio utiliza el grupo de renormalización tensorial ponderado por enlaces para calcular numéricamente las razones de funciones de partición en los modelos de Ising y Potts, demostrando que sus valores críticos coinciden con las predicciones de la teoría de campos conformes y revelando correcciones logarítmicas en el modelo de Potts de cuatro estados.
Este artículo presenta un marco teórico basado en un problema espectral de Steklov que permite controlar geométricamente el crecimiento de procesos de ramificación catalítica en la frontera mediante la absorción, identificando un umbral crítico que determina si la población alcanza un estado estacionario o crece exponencialmente sin control.
El artículo presenta modelos mínimos, como el Modelo Ising Aritmético, que demuestran cómo los efectos entrópicos pueden provocar orden y ruptura espontánea de simetría en sistemas cuánticos y clásicos incluso a temperaturas arbitrariamente altas.
Este artículo presenta un enfoque híbrido que combina una formulación nativa de dígitos probabilísticos (p-dits) y restricciones de campo medio para restaurar la dispersión en máquinas de Potts, permitiendo resolver problemas de optimización con restricciones densas de manera eficiente y escalable mediante implementación en FPGA.
Este artículo introduce un modelo de espejo de Lorentz jerárquico que demuestra transporte normal en dimensiones y postula una ley universal donde la relación varianza-media de la conductancia converge a , un resultado respaldado por simulaciones numéricas tanto en el modelo jerárquico como en el modelo original en .
Presentamos *peapods*, un paquete de código abierto en Python con núcleo en Rust que acelera las simulaciones de Monte Carlo para sistemas de espines de Ising mediante algoritmos avanzados de actualización de espines y clusters, optimizados para el paralelismo y validados frente a temperaturas críticas exactas.
Este trabajo verifica numéricamente que las igualdades de Jarzynski y el teorema de fluctuación de Crook se cumplen en un sistema no gaussiano de una partícula browniana en un baño térmico heterogéneo descrito por el modelo de difusividad difusiva, donde la distribución de trabajo permanece no gaussiana incluso en tiempos largos.
El artículo propone las entropías de grupo como un marco unificador que establece clases de universalidad para sistemas con correlaciones fuertes, demostrando su consistencia con las leyes termodinámicas clásicas y aplicándolo exitosamente a la termodinámica de los agujeros negros para explicar naturalmente su calor específico negativo manteniendo la entropía extensiva.
Este artículo desafía la noción de que detener el entrenamiento en el mínimo de la pérdida de prueba garantiza una generalización óptima, identificando y cuantificando una fase de "generalización sesgada" en modelos de difusión donde el modelo, aunque mejora su rendimiento, genera muestras anómalamente cercanas a los datos de entrenamiento debido al aprendizaje secuencial de características, lo que plantea riesgos críticos para la privacidad.