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 artículo presenta técnicas de verificación de código para simulaciones de plasma mediante el método de partículas en celda con colisiones de Monte Carlo, aplicando soluciones fabricadas a las ecuaciones de movimiento de las partículas y al algoritmo de colisiones para derivar tasas de convergencia esperadas y calcular errores directamente sin modificar los pesos de las partículas.
Este estudio demuestra que utilizar perfiles de temperatura derivados de simulaciones multiphysics de alta fidelidad, en lugar de perfiles uniformes, para construir bases de datos del método de la matriz de fisión en un reactor de sales fundidas, mejora significativamente la precisión de los resultados en el factor de multiplicación y la distribución de la fuente de fisión.
Este estudio presenta una estrategia de cribado de alto rendimiento basada en potenciales interatómicos aprendidos por máquina que, partiendo de más de seis millones de materiales, identifica 27 conductores de protones de alto rendimiento y revela un mecanismo universal donde la conductividad macroscópica depende de una distancia oxígeno-oxígeno de aproximadamente 2,5 Å, de la dinámica rotacional de los aniones y de la conectividad de la red de enlaces de hidrógeno.
Este trabajo propone un marco de aprendizaje automático centrado en operadores que utiliza el potencial externo nuclear como entrada para construir representaciones jerárquicas y equivariantes, permitiendo predecir propiedades moleculares y mapear directamente a matrices electrónicas como la de Fock o la densidad reducida.
Este trabajo presenta un marco de simulación truncada general y sin parámetros ajustables que, al utilizar campos electrostáticos exactos obtenidos de simulaciones completas como condiciones de contorno, reproduce con precisión y a un costo computacional reducido la dinámica del chorro cónico en electrohilado y electrospray.
Los autores presentan una máquina de ultrasonido virtual basada en partículas que utiliza una variante novedosa de dinámica de partículas disipativa suavizada con un solucionador de presión implícito y un esquema de estabilización de presión negativa para simular eficazmente las interacciones onda-materia en el rango de frecuencias de MHz a GHz, demostrando su utilidad en la modelización de la acustofóresis de microburbujas encapsuladas para la administración de fármacos.
Este trabajo presenta un marco de reconstrucción para dominios de flujo CFD 2D que utiliza métodos novedosos de enmascaramiento basado en distancia y formas alfa adaptativas para generar campos listos para CNN, superando las distorsiones geométricas tradicionales con mayor precisión, estabilidad y velocidad de procesamiento.
El artículo presenta Uni-Flow, un marco unificado autoregresivo-difusivo que separa la evolución temporal de la refinación espacial para modelar flujos multiescala complejos, logrando inferencias más rápidas que el tiempo real en simulaciones hemodinámicas y turbulentas de alta fidelidad.
Este artículo presenta un modelo de subescala simbólico e interpretable, libre de suposiciones fenomenológicas y parámetros ajustables, que supera a los modelos LES existentes al inferir mediante datos un campo tensorial de segundo orden capaz de predecir con precisión los flujos locales de energía y enstrofía en turbulencia bidimensional.
Este estudio presenta un método novedoso que utiliza inferencia bayesiana acelerada por aprendizaje automático para determinar la distribución de impurezas en detectores de germanio de alta pureza a partir de mediciones de capacitancia, revelando que la densidad de impurezas del detector probado presenta una dependencia radial.