physics.comp-ph 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.

Combining Harmonic Sampling with the Worm Algorithm to Improve the Efficiency of Path Integral Monte Carlo

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.

Sourav Karmakar, Sutirtha Paul, Adrian Del Maestro, Barak Hirshberg2026-02-26🔬 cond-mat

Using Neural Networks to Accelerate TALYS-2.0 Nuclear Reaction Simulations

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.

Wilson Lin, Catherine E Apgar, Lee A Bernstein, YunHsuan Lee, Alan B McIntosh, Dmitri G Medvedev, Ellen M OBrien, Christiaan E Vermeulen, Andrew S Voyles, Jonathan T Morrell2026-02-26⚛️ nucl-ex

Generalized Onsager-Regularized Lattice Boltzmann Method for error-free Navier-Stokes models on standard lattices

Este trabajo presenta un método de Boltzmann en retículo regularizado por Onsager que corrige localmente los errores de modelado de las ecuaciones de Navier-Stokes en redes estándar, logrando modelos exactos y estables con una precisión significativamente mejorada en comparación con los esquemas tradicionales.

Anirudh Jonnalagadda, Walter Rocchia, Sauro Succi2026-02-26🔬 physics

Physics Constrained Neural Collision Operators for Variable Hard Sphere Surrogates and Ab Initio Angle Prediction in Direct Simulation Monte Carlo

Este trabajo presenta un marco unificado de operadores neuronales con restricciones físicas que acelera la simulación Directa de Monte Carlo (DSMC) mediante un kernel de colisión neuronal estocástico para generalizar modelos de esferas duras variables y un operador dedicado para predecir ángulos de dispersión *ab initio*, logrando una reducción de costos computacionales y una alta fidelidad en flujos de gas raros fuera de equilibrio.

Ehsan Roohi, Ahmad Shoja-Sani, Stefan Stefanov2026-02-26🔬 physics

Ab Initio Random Matrix Theory of Molecular Electronic Structure

Este estudio demuestra que los espectros electrónicos de moléculas complejas generados mediante métodos *ab initio* exhiben universalidad de la teoría de matrices aleatorias (estadísticas de Wigner-Dyson del conjunto ortogonal gaussiano) y predice una transición al conjunto unitario gaussiano bajo campos magnéticos extremos, estableciendo así un marco general para organizar las predicciones de espectros de electrones interactuantes.

Zhen Tao, Victor Galitski2026-02-26⚛️ quant-ph

Efficient and Accurate Method for Separating Variant Components from Invariant Background and Component Model Fusion for Fast RFIC Design Space Exploration

Este trabajo presenta un método eficiente y preciso para la exploración de espacios de diseño de RFIC que acelera el proceso al separar algebraicamente los componentes variantes del fondo invariante, permitiendo reutilizar la simulación del fondo y fusionar modelos de componentes mediante un algoritmo que reduce drásticamente el número de soluciones de campo necesarias.

Hongyang Liu, Dan Jiao2026-02-26🔬 physics

Asymptotically Fast Clebsch-Gordan Tensor Products with Vector Spherical Harmonics

Este trabajo presenta el primer algoritmo completo que logra una aceleración asintótica genuina en los productos tensoriales de Clebsch-Gordan para redes neuronales $E(3)$ -equivariantes, reduciendo la complejidad de $O(L^6)$ a $O(L^4\log^2 L)$ mediante la generalización de los armónicos esféricos a señales de tipo irrep y la demostración de que las señales vectoriales son suficientes para recuperar las interacciones faltantes.

YuQing Xie, Ameya Daigavane, Mit Kotak, Tess Smidt2026-02-26🤖 cs.LG

Emergent Rate Laws for Collective Lying-Standing Transitions

Mediante simulaciones de Monte Carlo cinético y un enfoque de promediado de campo, este estudio establece leyes de velocidad emergentes para las transiciones colectivas de moléculas de tetracianoetileno de tumbadas a erguidas en Cu(111), demostrando que la cinética global depende de procesos microscópicos acoplados y de parámetros geométricos intrínsecos, lo que permite derivar una expresión analítica para diseñar y controlar estos tiempos de transición en interfaces orgánico-inorgánicas.

Anna Werkovits, Simon B. Hollweger, Oliver T. Hofmann2026-02-26🔬 physics

Hydrodynamics of Dense Active Fluids: Turbulence-Like States and the Role of Advected Activity

Este artículo presenta una revisión y un estudio teórico que, mediante un modelo donde la actividad se trata como un campo dinámico heterogéneo y advectado dentro del marco TTSH, demuestra cómo las variaciones espaciales de la actividad inducen la coexistencia de regímenes espectrales y revelan que la universalidad en la turbulencia activa es inherentemente local y dependiente del tiempo.

Sandip Sahoo, Siddhartha Mukherjee, Samriddhi Sankar Ray2026-02-26🌀 nlin

MBD-ML: Many-body dispersion from machine learning for molecules and materials

El artículo presenta MBD-ML, una red neuronal de paso de mensajes preentrenada que predice directamente las propiedades atómicas necesarias para calcular interacciones de dispersión de muchos cuerpos (MBD) a partir de estructuras atómicas, permitiendo una integración eficiente y sin cálculos electrónicos intermedios en campos de fuerza y códigos de estructura electrónica.

Evgeny Moerman, Adil Kabylda, Almaz Khabibrakhmanov, Alexandre Tkatchenko2026-02-26🔬 cond-mat.mtrl-sci

← Anterior Siguiente →