1259 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 estudio utiliza simulaciones atomísticas y aprendizaje automático para identificar los factores que controlan la resistencia al deslizamiento local en aleaciones de múltiples elementos refractarios, desarrollando un modelo capaz de predecir el esfuerzo de fluencia macroscópico para orientar el diseño de nuevos materiales.
DISCOVER es un nuevo marco de regresión simbólica de código abierto, acelerado por GPU y diseñado con principios físicos, que permite descubrir descriptores matemáticos interpretables y escalables para aplicaciones en ciencia de materiales, química y física computacional.
Este estudio desarrolla una red neuronal informada por la física con compatibilidad retrasada (LBC-PINN) para simular e invertir la consolidación de suelos no saturados, utilizando una segmentación temporal logarítmica para abordar eficazmente la disipación de presiones de aire y agua en escalas de tiempo prolongadas.
Este artículo propone HEDMoL, un método de aprendizaje de representaciones moleculares que transfiere información de nivel electrónico de moléculas pequeñas a moléculas grandes para mejorar la precisión en la predicción de propiedades físicas sin aumentar los costos computacionales.
Este trabajo presenta una evaluación sistemática del rendimiento de las Redes de Materiales Profundos (DMN), analizando cómo diversos factores de entrenamiento afectan su precisión y eficiencia, y propone la formulación IMN como una alternativa más rápida para el modelado multiescala de materiales.
Este comentario analiza el impacto del algoritmo Event-Chain Monte Carlo, explicando cómo su transición del equilibrio detallado al equilibrio global permitió evolucionar de un método específico para esferas rígidas a un marco general y potente para diversos sistemas de partículas.
Este estudio investiga la viabilidad de la Teoría de la Funcional de la Densidad de Conjunto (EDFT) para calcular brechas de banda en sistemas periódicos mediante el análisis del límite termodinámico de modelos unidimensionales de Kronig-Penney, encontrando resultados prometedores que sugieren una corrección efectiva de la brecha de banda.
Este estudio compara los modelos de Borgnakke-Larsen y Pullin para la simulación del intercambio de energía rotacional en gases diatómicos mediante el método DSMC, concluyendo que el modelo de Pullin ofrece una base teórica más rigurosa y precisa para flujos hipersónicos rarefactados.
Este estudio demuestra que el uso de técnicas de *compressed sensing* mediante celdas superpuestas permite reducir la memoria en simulaciones de Monte Carlo hasta en un 96.25% en modelos 3D, manteniendo una alta precisión en la reconstrucción de los resultados.
Este artículo propone un esquema de refinamiento de malla adaptativo (AMR) basado en octrees que garantiza la conservación de campos físicos durante el proceso de coalescencia (coarsening) mediante una proyección , mejorando la precisión en simulaciones de largo plazo de modelos de fase como Cahn–Hilliard.