La gravedad cuántica representa uno de los grandes misterios de la física moderna, buscando unir dos pilares fundamentales que actualmente parecen incompatibles: la gravedad que gobierna el cosmos y la mecánica cuántica que rige el mundo subatómico. En esta sección exploramos los esfuerzos teóricos más recientes para entender cómo se comporta el espacio-tiempo en escalas infinitesimales, donde las leyes clásicas ya no aplican.

En Gist.Science, procesamos cada nuevo preprint de esta categoría proveniente de arXiv para hacerlos accesibles a todos. Ofrecemos resúmenes técnicos detallados para expertos, así como explicaciones en lenguaje sencillo que desglosan conceptos complejos sin perder rigor científico. A continuación, encontrará las últimas investigaciones en gravedad cuántica que han llegado recientemente a nuestra plataforma.

A Computational Companion to Transient de Sitter and Quasi de Sitter States in SO(32) and E_8 X E_8 Heterotic String Theories I: Formalisms

Este artículo presenta un marco computacional que construye espacios de Sitter cuatridimensionales como estados excitados (estados de Glauber-Sudarshan) en teorías de cuerdas heteróticas y tipo IIB, evadiendo teoremas de no-go basados en el vacío mediante dualidades dinámicas y analizando las condiciones para una descripción válida de teoría de campos efectiva y las restricciones cosmológicas axiónicas.

Archana Maji2026-04-13⚛️ hep-th

Minimum mass, maximum charge and hyperbolicity in scalar Gauss-Bonnet gravity

Este estudio demuestra que, en la gravedad de Gauss-Bonnet escalar, aunque es posible elegir funciones de acoplamiento que permitan soluciones de agujeros negros con masas arbitrariamente pequeñas antes de que se pierda la hiperbolicidad, la carga escalar observable permanece acotada superiormente, lo que limita las desviaciones observables de la relatividad general.

Dario Rossi, Leonardo Gualtieri, Thomas P. Sotiriou2026-04-13⚛️ gr-qc

Evaluating Deep Learning Models for Multiclass Classification of LIGO Gravitational-Wave Glitches

Este trabajo presenta una evaluación exhaustiva de modelos de aprendizaje profundo y clásicos para la clasificación multiclase de anomalías en los datos de LIGO utilizando metadatos tabulares, revelando que ciertas arquitecturas neuronales ofrecen un rendimiento competitivo con mayor eficiencia de parámetros e insights sobre la interpretabilidad en comparación con los métodos basados en árboles.

Rudhresh Manoharan (Baylor University), Gerald Cleaver (Baylor University)2026-04-13⚛️ gr-qc