1164 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.
El artículo presenta AMBer, un marco de aprendizaje por refuerzo que automatiza la construcción de teorías de sabor de neutrinos seleccionando grupos de simetría y asignaciones de campos para generar modelos viables con el mínimo número de parámetros libres.
Este artículo presenta un enfoque bayesiano riguroso para la microscopía MINFLUX que optimiza el proceso de localización y reduce la cantidad de fotones necesarios para alcanzar una resolución de 1 nm en un factor de aproximadamente cuatro.
Este artículo presenta un enfoque de orbitales naturales congelados de capa abierta basado en la teoría de perturbación ZAPT2 que reduce eficazmente el espacio virtual para eigensolvers cuánticos, logrando una convergencia sistemática y precisa de los huecos energéticos entre estados singlete y triplete en sistemas abiertos de gran tamaño, como el complejo Ir(ppy)₃, mediante el método de acoplamiento de cúbits iterativo (iQCC).
Este trabajo propone un marco de aprendizaje iterativo que combina algoritmos evolutivos, modelos atómicos fundamentales y la aproximación armónica autoconsistente estocástica (SSCHA) para realizar predicciones de estructuras cristalinas precisas y eficientes en sistemas con dinámica de red anarmónica, superando las limitaciones computacionales y de datos de los métodos tradicionales.
Este trabajo presenta una extensión del eigensolver ChASE acelerado por Chebyshev para calcular miles de los pares de autovalores y autovectores positivos más pequeños de Hamiltonianos pseudo-hermíticos, mediante una variante oblicua de la proyección de Rayleigh-Ritz que garantiza convergencia cuadrática y una implementación paralela eficiente para sistemas exaescala.
Este artículo evalúa la capacidad de los modelos de lenguaje grandes para razonar en teoría cuántica de campos y teoría de cuerdas mediante un conjunto de datos especializado y una rúbrica de cinco niveles, revelando que, aunque dominan las derivaciones explícitas, fallan sistemáticamente al reconstruir pasos de razonamiento tácitos y mantener la consistencia global bajo restricciones conceptuales complejas.
SWEEP es una plataforma unificada y extensible para la resolución de ecuaciones de ondas sísmicas que, gracias a su soporte para diferenciación automática y arquitectura modular, facilita la implementación de métodos de inversión como la inversión de forma de onda completa (FWI) y la migración de tiempo inverso por mínimos cuadrados (LSRTM).
Este artículo presenta un marco LSTM-PINN que utiliza un mecanismo de memoria recursiva para resolver los desafíos numéricos en sistemas electrotérmicos de estado estacionario, preservando la consistencia multifísica y superando a los métodos existentes en la simulación de flujos de calor y fluidos fuertemente acoplados.
Este trabajo propone un enfoque basado en aprendizaje automático que combina redes neuronales convolucionales para clasificar haces de luz estructurada en atmósferas turbulentas con un modelo generativo de difusión para aumentar los datos de entrenamiento, mejorando la calidad de la generación de modos de alta frecuencia mediante la minimización de la distancia de Bregman.
Este artículo propone y valida un método de regularización híbrido para redes neuronales informadas por física (PINNs) que utiliza diferencias finitas auxiliares para penalizar los gradientes del residuo, logrando así mejorar significativamente la precisión de cantidades físicas específicas, como el flujo en la pared exterior, sin reemplazar el residuo de la EDP basado en diferenciación automática.