903 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 investiga un enfoque alternativo de búsqueda de caminos que utiliza el algoritmo A* para calcular el parámetro de centrosimetría de emparejamiento de peso mínimo, ofreciendo una solución potencial a las deficiencias identificadas en los métodos existentes de análisis de dinámica molecular.
Este artículo presenta un método unificado onda-partícula cinético-gaseoso (UGKWP) para simular mezclas de gases binarios multiescala que captura con precisión las diferencias de velocidad y temperatura específicas de cada especie a través de los regímenes continuo y rarefacto, mediante la integración de un modelo de equilibrio corregido, una corrección del número de Prandtl basada en Shakhov y mecanismos de transporte de partículas mejorados, al tiempo que demuestra una fuerte concordancia con los resultados de DSMC para flujos hipersónicos.
Este estudio combina cálculos DFT de primeros principios con experimentos de recocido a ultraalta presión para demostrar que la difusión del silicio en el nitruro de galio es extremadamente limitada debido a barreras de activación prohibitivamente altas, confirmando así la estabilidad del material para el dopaje preciso en aplicaciones electrónicas avanzadas.
Este estudio demuestra que los campos de fuerza aprendidos por máquina y entrenados con datos de clusters acoplados, potenciados mediante enfoques de aprendizaje delta y conscientes de la carga para abordar los efectos de largo alcance y las limitaciones de datos, logran una precisión superior en la predicción de las dispersiones de fonones y las propiedades vibracionales anarmónicas para el diamante y el hidruro de litio en comparación con la teoría funcional de la densidad tradicional.
Los investigadores han simulado con éxito por primera vez un ordenador cuántico universal de 50 qubits en el superordenador exaescalar JUPITER de Europa, aprovechando su arquitectura heterogénea GH200 mediante tres innovaciones clave: una utilización extendida de la memoria a través de interconexiones CPU-GPU, una codificación de datos adaptativa y un optimizador de tráfico de red en tiempo real, logrando una aceleración de 16,6 veces respecto a los registros anteriores.
Este artículo demuestra que incorporar la proyección de etiquetas y una red de incrustación novedosa en redes generativas adversarias condicionales mejora significativamente la eficiencia y la precisión del diseño inverso de nanoestructuras plasmónicas a partir de espectros de sección transversal de extinción, logrando una reducción del error de un orden de magnitud y una convergencia más rápida en diferentes arquitecturas.
Este artículo presenta un marco de red neuronal convolucional informada por física que predice con precisión los campos de velocidad a escala de poro en medios porosos complejos al integrar restricciones físicas en el proceso de entrenamiento, lo que permite una aceleración significativa de las simulaciones de Lattice-Boltzmann mediante la mejora de las condiciones iniciales.
Este artículo demuestra que los modelos de lenguaje grandes multimodales pueden utilizar eficazmente los índices de Miller como variables latentes estructuradas para razonar sobre la geometría de las fracturas, inferiendo de manera fiable hipótesis de planos en entornos idealizados mientras rechazan correctamente dichas representaciones cuando la física subyacente no las respalda en diversas clases de materiales.
Este artículo presenta Lumina, un marco modular basado en Python que unifica datos fragmentados de materiales multiescala para regímenes aero-químico-termo-mecánicos extremos en un ecosistema centralizado potenciado por inteligencia artificial para optimizar el diseño experimental, validar comportamientos químicos y mejorar la modelización predictiva para aplicaciones avanzadas de defensa y aeroespacio.
Este artículo introduce un marco de aprendizaje por refuerzo relativo al viento para la navegación olfativa en entornos turbulentos, demostrando que un agente que utiliza únicamente el tiempo transcurrido desde la última detección de olor y una dirección del viento estimada localmente puede superar a las estrategias tradicionales y adaptar su comportamiento en función de la calidad de la estimación del viento tanto en viento medio como en turbulencia isotrópica.