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.

Exact critical exponents of the Motzkin and Fredkin Chains

Mediante el uso de la matriz de transferencia derivada de la representación de estado de producto matricial combinada con un análisis de grupo de renormalización, los autores calculan analíticamente los exponentes críticos exactos (η=1/2\eta=1/2 y ν±=2/3\nu_\pm=2/3) de las cadenas de Motzkin y Fredkin, revelando una dualidad entre sus fases ordenada y desordenada y verificando estos resultados numéricamente.

Olai B. Mykland, Zhao Zhang2026-03-03🔢 math-ph

Applications of Nambu Non-equilibrium Thermodynamics to Specific Phenomena

El artículo demuestra que la termodinámica de no equilibrio de Nambu proporciona un marco unificado y cuantitativamente consistente para describir sistemas paradigmáticos fuera del equilibrio, como las reacciones oscilatorias, las neuronas y los sistemas caóticos, al descomponer sus campos de velocidad en partes reversibles e irreversibles y clarificar las transiciones entre sus distintos regímenes dinámicos.

So Katagiri, Yoshiki Matsuoka, Akio Sugamoto2026-03-03⚛️ hep-th

Linear Viscoelasticity of Semiflexible Polymers with Hydrodynamic Interactions

Este estudio utiliza simulaciones de dinámica browniana para demostrar que las cadenas de polímeros semiflexibles en dilución infinita exhiben un comportamiento viscoelástico lineal que coincide con predicciones teóricas y datos experimentales, mostrando una relajación de tensión con leyes de potencia en tiempos intermedios y efectos significativos de las interacciones hidrodinámicas que dependen de la flexibilidad de la cadena.

Amit Varakhedkar, P. Sunthar, J. Ravi Prakash2026-03-03🔬 cond-mat

Coarse-graining nonequilibrium diffusions with Markov chains

Este artículo investiga cómo aproximar las dinámicas de difusión fuera del equilibrio mediante cadenas de Markov discretas, demostrando que aunque estas aproximaciones pueden subestimar la tasa de producción de entropía, permiten validar la presencia de estados estacionarios no equilibrados en sistemas continuos, como se ilustra con datos simulados y trayectorias de peces en bancada.

Ramón Nartallo-Kaluarachchi, Renaud Lambiotte, Alain Goriely2026-03-03🔬 cond-mat

Thermal Tensor Network Simulations of Lattice Fermions with Fixed Filling

Este trabajo presenta un algoritmo tanTRG de número de partículas fijo que, mediante el ajuste adaptativo del potencial químico durante la evolución en tiempo imaginario, permite simulaciones térmicas precisas y eficientes de fermiones correlacionados, como se demuestra en el modelo de Hubbard de red cuadrática para estudiar la formación de franjas.

Qiaoyi Li, Dai-Wei Qu, Bin-Bin Chen, Tao Shi, Wei Li2026-03-03🔬 cond-mat

Rheology of dense vibrated granular flows: non-monotonic response controlled by granular temperature

Mediante simulaciones numéricas, este estudio demuestra que la reología de flujos granulares densos sometidos a vibración vertical está gobernada por el equilibrio entre la energía de agitación a escala de grano y el efecto estabilizador de la confinación, lo que explica la dependencia no monótona de la viscosidad con la frecuencia y reconcilia tendencias previas de debilitamiento.

A. Plati, G. Petrillo, L. de Arcangelis, A. Gnoli, A. Puglisi, A. Sarracino, E. Lippiello2026-03-03🔬 cond-mat.mtrl-sci