🔬 Category
physics.comp-ph
1190 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.
AeTHERON: Autoregressive Topology-aware Heterogeneous Graph Operator Network for Fluid-Structure Interaction
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.
Improved third-order scheme in pseudopotential lattice Boltzmann model for multiphase flows
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.
Coarse-Grained Model of the Sodium Dodecyl Sulfate Anionic Surfactant Based on the MDPD--Martini Force Field
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.
Enhancing Event Reconstruction in Hyper-Kamiokande with Machine Learning: A ResNet Implementation
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.
Hierarchical Bayesian calibration of mesoscopic models for ultrasound contrast agents from force spectroscopy data
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.
Physics-Informed Neural Networks for Solving Derivative-Constrained PDEs
Este artículo presenta DC-PINNs, un marco general que integra restricciones no lineales sobre estados y derivadas en redes neuronales informadas por la física mediante un principio de mínimo y un equilibrio de pérdida autoadaptativo, logrando así soluciones más estables y físicamente fieles para EDPs con restricciones derivadas en comparación con los métodos PINN tradicionales.
Beads, springs and fields: particle-based vs continuum models in cell biophysics
Esta revisión compara los modelos basados en partículas y los modelos de campo continuo en biofísica celular, analizando sus fortalezas y limitaciones en cinco sistemas biológicos fundamentales para ayudar a investigadores a seleccionar estrategias de modelado adecuadas.
NEPMaker: Active learning of neuroevolution machine learning potential for large cells
El artículo presenta NEPMaker, un marco de aprendizaje activo impulsado por la optimalidad D que integra potenciales de neuroevolución (NEP) en el paquete GPUMD para generar potenciales de aprendizaje máquina robustos y escalables en sistemas de materiales complejos mediante la identificación y corrección de entornos atómicos extrapolativos durante simulaciones a gran escala.
MolCryst-MLIPs: A Machine-Learned Interatomic Potentials Database for Molecular Crystals
El artículo presenta MolCryst-MLIPs, una base de datos abierta de potenciales interatómicos aprendidos por máquina (MLIP) que ofrece modelos MACE ajustados para nueve sistemas de cristales moleculares, desarrollados mediante un pipeline automatizado y validados para simulaciones de dinámica molecular de polimorfismo.