1255 artículos
La física computacional utiliza la potencia de los ordenadores para resolver problemas complejos que las fórmulas tradicionales no pueden abordar por sí solas. Desde simular colisiones de galaxias hasta modelar el comportamiento de nuevos materiales, este campo actúa como un puente esencial entre la teoría abstracta y la realidad observable, permitiendo a los científicos realizar experimentos virtuales que serían imposibles o demasiado costosos en un laboratorio físico.
En Gist.Science, rastreamos meticulosamente todas las nuevas publicaciones de este ámbito que llegan desde arXiv, la principal plataforma de prepublicaciones científicas. Nuestro equipo procesa cada documento para ofrecer dos perspectivas: un resumen en lenguaje sencillo para cualquier lector curioso y una explicación técnica detallada para expertos que buscan profundidad. A continuación, encontrará las investigaciones más recientes en física computacional que hemos analizado.
Este artículo presenta PARPHOM, un paquete de código paralelo diseñado para calcular propiedades fonónicas en sistemas de materiales bidimensionales retorcidos, abordando los desafíos computacionales derivados del gran tamaño de sus patrones de moiré mediante la generación de constantes de fuerza, el cálculo de estructuras de bandas y el análisis de dinámicas a temperatura finita.
Este trabajo presenta un análisis teórico generalizado del método de Boltzmann en red regularizado por Onsager (OReg), demostrando que permite simulaciones termohidrodinámicas no lineales precisas y sin correcciones externas en redes estándar mediante la compensación intrínseca de la anisotropía de la red y la obtención de modelos cinéticos de alto orden de precisión.
Este artículo presenta el método de Lanczos para estados cuánticos de redes neuronales (NQS), una estrategia sistemática que combina aprendizaje supervisado y optimización por Monte Carlo variacional para mejorar la precisión de la energía del estado fundamental en sistemas de muchos cuerpos altamente frustrados, ofreciendo una ventaja computacional lineal sobre métodos anteriores.
Los autores presentan un marco híbrido modular que combina potenciales aprendidos por máquina de capa única con potenciales intercapas basados en física, permitiendo modelar con alta precisión y eficiencia sistemas de heteroestructuras de van der Waals a gran escala y resolviendo patrones de Moiré complejos con una reducción significativa en los requisitos de entrenamiento.
Este trabajo presenta el primer ansatz de estado cuántico neuronal no euclidiano basado en redes GRU hiperbólicas, demostrando que superan o igualan a sus contrapartes euclidianas en sistemas cuánticos, especialmente en aquellos con estructuras de interacción jerárquica.
Los autores combinaron potenciales interatómicos de aprendizaje automático universales con un método avanzado de clasificación dimensional basado en constantes de fuerza para descubrir masivamente 9139 nuevos materiales de baja dimensión, incluyendo 887 láminas 2D potencialmente exfoliables, que habían sido pasados por alto por los descriptores geométricos convencionales.
Mediante análisis de Fourier y simulaciones de alta precisión, este trabajo demuestra que en las transiciones de fase dinámicas de modelos de Ginzburg-Landau de campo medio, el campo conjugado correcto es la componente par del campo aplicado y que el parámetro de orden asociado a cada modo de Fourier obedece leyes de escalamiento específicas de y dependiendo de la simetría de la perturbación.
Este trabajo mejora la regresión de datos de Clifford (CDR) para mitigar errores en simulaciones de química cuántica mediante dos estrategias: el muestreo de energía, que selecciona circuitos de entrenamiento de menor energía, y la extrapolación no Clifford, que incorpora el número de parámetros no Clifford para optimizar la corrección de ruido en dispositivos NISQ.
Los autores proponen y validan los algoritmos de Monte Carlo de integral de camino H-PIMC y M-PIMC, que combinan el muestreo armónico exacto con el algoritmo de gusano para mejorar significativamente la eficiencia, la tasa de aceptación y el tiempo de autocorrelación en el estudio de fases condensadas cuánticas, especialmente en sistemas sólidos y líquidos densos con anarmonicidad variable.
Este trabajo demuestra que el uso de redes neuronales artificiales como modelos sustitutos permite ajustar con alta fidelidad los parámetros del código nuclear TALYS-2.0 para mejorar la predicción de secciones eficaces, logrando una aceleración de más de 1000 veces en comparación con los cálculos directos.