1174 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 un método de alto orden híbrido (HHO) para la ecuación de Schrödinger con potencial vectorial magnético que garantiza la invariancia de gauge en el nivel discreto mediante un operador gradiente covariante, logrando tasas de convergencia óptimas y estabilidad numérica validadas experimentalmente.
El artículo demuestra que las fluctuaciones de circulación en la turbulencia homogénea e isotrópica se describen con precisión mediante una superestadística de tipo q-exponencial, vinculando la distribución espacial de los vórtices con la disipación y abriendo nuevas vías para analizar la cascada turbulenta desde la perspectiva de la mecánica estadística no extensiva.
Este estudio presenta un modelo semi-analítico basado en la teoría de la viga de Timoshenko sobre un cimiento de Winkler para analizar las vibraciones transversales de líneas de vida enterradas, revelando la existencia de cuatro espectros de vibración separados por tres frecuencias de transición que afectan significativamente la amplificación dinámica y validando el método mediante comparaciones con simulaciones de elementos finitos y estudios paramétricos.
Este artículo presenta tres variantes de una red neuronal totalmente conectada y un pipeline de entrenamiento basado en simulaciones Monte Carlo para estimar en tiempo real los campos de radiación dispersa tridimensionales en radiología intervencionista, logrando una alta precisión espacial y un error porcentual simétrico medio superior al 84% en la dosimetría fuera del campo.
El artículo presenta AeTHERON, una red neuronal de operadores gráficos heterogéneos que utiliza un diseño inspirado en el método de frontera inmersa para modelar con alta fidelidad y eficiencia computacional la interacción fluido-estructura en aletas caudales flexibles, logrando una extrapolación temporal precisa en simulaciones de dinámica de fluidos numérica directa.
Este trabajo propone y valida un esquema de tercer orden mejorado para el modelo de red de Boltzmann con pseudopotencial que, mediante un análisis teórico a nivel discreto, elimina eficazmente las oscilaciones de velocidad espuria en interfaces de fase curvas y planas, garantizando así resultados más precisos en simulaciones de flujos multifásicos.
Este estudio presenta un modelo de dinámica de partículas disipativa multibody (MDPD) basado en el campo de fuerzas Martini para el surfactante dodecilsulfato de sodio (SDS), el cual demuestra ser una alternativa creíble a las simulaciones de dinámica molecular al reproducir con precisión la tensión superficial experimental y validar la transferibilidad de sus parámetros para sistemas de materia blanda.
Este artículo presenta la implementación de un modelo ResNet en el marco WatChMaL para el experimento Hyper-Kamiokande, logrando una reconstrucción de eventos de partículas con una precisión comparable a los métodos tradicionales pero con una aceleración computacional de hasta 52.000 veces, lo que permite procesar eficientemente los vastos conjuntos de datos necesarios para cumplir con los requisitos de incertidumbre sistemática.
Este artículo presenta un flujo de trabajo de calibración bayesiana acelerada por sustitutos que combina redes neuronales profundas y muestreo MCMC para inferir con precisión los parámetros mecánicos de modelos de microburbujas encapsuladas a partir de datos de espectroscopía de fuerzas, permitiendo así el desarrollo de modelos informados por datos para aplicaciones de administración dirigida de fármacos y genes guiada por ultrasonido.