1258 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 trabajo presenta un método ligero para actualizar modelos de descomposición modal dinámica (DMD) existentes sin necesidad de nuevos datos ni reentrenamiento, ajustando las propiedades del dominio para permitir estudios rápidos de optimización y análisis de incertidumbre en proyectos de almacenamiento de carbono.
Este artículo propone un modelo computacional multiphysics para el Reactor de Sales Fundidas de Espectro Rápido (MSFR) que integra el código de alta fidelidad Cardinal (basado en MOOSE y NekRS) con el Método de la Matriz de Fisión para resolver las ecuaciones de neutrones de manera rápida y precisa, aprovechando la precalibración mediante simulaciones Monte Carlo.
Este artículo presenta un marco de simulación de matrices aleatorias que utiliza canales de dispersión extendidos para modelar rigurosamente el transporte de luz polarizada en medios desordenados, ofreciendo nuevas perspectivas geométricas sobre el efecto de memoria óptica y un código de software gratuito.
Este estudio investiga cómo las transformaciones orbitales afectan el error de Trotter en la estimación de fase cuántica, concluyendo que, aunque reducir dicho error mediante transformaciones es complejo, las bases de orbitales localizadas no generan errores significativos en cálculos moleculares y son, por tanto, adecuadas para configuraciones eficientes.
El artículo presenta Scale-PINN, un algoritmo de corrección secuencial que integra principios numéricos en redes neuronales informadas por física para lograr una convergencia exponencialmente más rápida y una mayor precisión, facilitando así su adopción práctica en aplicaciones científicas y de ingeniería.
Este trabajo propone un método de inicialización basado en aprendizaje automático mediante regresión de núcleo de cresta para superar el cuello de botella del ajuste de baño en la teoría de campo medio dinámico basada en diagonalización de Hamiltonianos, logrando una convergencia más rápida y robusta en cálculos de DMFT para materiales como .
Este artículo presenta un método de simulación estocástica discreta exacta que, al desacoplar la muestreo categórico de la diferenciación automática mediante un sustituto Gumbel-Softmax, permite la optimización basada en gradientes a escala masiva para la inferencia de parámetros y el diseño inverso en sistemas biológicos y físicos gobernados por cadenas de Markov.
Mediante el uso de modelos de capas, este estudio demuestra que las cerraduras estocásticas de tipo Langevin son esenciales para recuperar la correcta evolución temporal y magnitud del crecimiento de la varianza en simulaciones de turbulencia a gran escala, superando las limitaciones de los enfoques deterministas que suprimen la incertidumbre.
Este estudio propone un enfoque robusto que combina integración termodinámica multietapa, intercambio de réplicas y potenciales de aprendizaje automático para determinar que la estabilidad de fase en perovskitas de haluro metálico está gobernada principalmente por diferencias en la energía del estado fundamental más que por efectos térmicos específicos del material.
Mediante simulaciones de Monte Carlo cuántico de proyección, este estudio revela que el gap de energía en los vidrios de espín bidimensionales presenta una cola pesada con varianza infinita que limita la eficiencia del recocido cuántico, mientras que en el modelo de Sherrington-Kirkpatrick de conectividad densa el gap sigue una ley de potencia más favorable, sugiriendo un mejor rendimiento para problemas de optimización con alta conectividad.