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.
Los autores proponen un marco de muestreo adaptativo a nivel de instancia que construye conjuntos de datos de entrenamiento compactos y específicos para cada caso de prueba, mejorando significativamente la eficiencia de las muestras y la precisión en la resolución de problemas inversos complejos en comparación con los enfoques tradicionales basados en distribuciones previas fijas.
Este artículo presenta un marco de destilación que comprime un ensemble de modelos eSPA en un conjunto reducido de modelos interpretables para predecir la fase de ENSO hasta 24 meses con antelación, preservando la habilidad predictiva mientras revela los mecanismos físicos y la complejidad espacial subyacentes, especialmente en relación con la barrera de predictibilidad de primavera boreal.
El artículo presenta QHFlow2, un modelo de Hamiltoniano de aprendizaje automático que supera a los métodos anteriores al lograr una precisión sin precedentes en la predicción de energías y fuerzas mediante una arquitectura equivarante y una evaluación directa, estableciendo un nuevo estándar en la aproximación de estructuras electrónicas.
Este estudio combina un análisis de orden de magnitud de las ecuaciones de Navier-Stokes con regresión simbólica basada en datos para derivar correlaciones interpretables y físicamente consistentes que predicen con precisión el factor de fricción en flujos turbulentos dentro de tuberías rugosas y lisas.
El artículo demuestra que el uso de modelos de flujo en un espacio latente de baja dimensión, combinado con técnicas de regularización para preservar la geometría, permite generar modelos de cierre estocástico para flujos de Kolmogorov con una velocidad de muestreo hasta dos órdenes de magnitud superior a los métodos de difusión, manteniendo al mismo tiempo la fidelidad física y la eficiencia en el uso de datos.
Este estudio compara sistemáticamente los juicios humanos y las clasificaciones de modelos de lenguaje grande (LLM) sobre diversos escenarios de violencia para investigar cómo la IA negocia conceptos morales ambiguos y transforma interpretaciones plurales en respuestas únicas, contribuyendo así al debate sobre el papel epistémico de la inteligencia artificial en la configuración de las normas sociales y la comprensión del daño.
Este artículo presenta un nuevo método numérico conservador basado en el esquema de Galerkin discontinuo para resolver el sistema de ecuaciones Vlasov-Maxwell relativista, el cual elimina el ruido estadístico de los métodos Monte Carlo y permite un análisis detallado de plasmas de alta energía en entornos astrofísicos y de laboratorio.
Mediante simulaciones de teoría funcional de la densidad dependiente del tiempo, este estudio demuestra que pulsos láser linealmente polarizados pueden inducir una desmagnetización asimétrica en altermagnetos compensados de onda-d, como el RuO, generando un estado ferromagnético fotoinducido controlable mediante la polarización de la luz a través de mecanismos de transferencia de espín y giros selectivos.
Este artículo presenta QuaDNN, un solucionador de redes neuronales profundas para problemas de dispersión inversa que optimiza la calidad de los datos de entrenamiento mediante un factor de calidad, integra mecanismos de atención y conexiones residuales en su arquitectura, y emplea una función de pérdida híbrida para mejorar la precisión de la reconstrucción y reducir artefactos, validando su superioridad mediante análisis numéricos y pruebas experimentales.
Este artículo propone un nuevo esquema basado en una red neuronal impulsada por la física (PDNN) que resuelve problemas de dispersión inversa electromagnética optimizando sus hiperparámetros mediante campos dispersos y conocimiento previo, logrando así alta precisión y generalización sin depender de grandes conjuntos de datos de entrenamiento.