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 introduce un algoritmo novedoso de aprendizaje activo basado en física que aprovecha los residuos de ecuaciones diferenciales parciales para guiar la selección de datos, mejorando significativamente la eficiencia de datos en el entrenamiento de operadores neuronales para resolver ecuaciones diferenciales parciales mientras se inyecta un sesgo inductivo físico en el proceso.
Este estudio presenta un marco numérico integral basado en la renormalización autoconsistente de fonones y la anarmonicidad de cuarto orden para calcular con precisión las propiedades térmicas y termodinámicas de los aislantes, superando las limitaciones de los métodos perturbativos tradicionales al tratar los fonones como cuasipartículas dependientes de la temperatura.
Este trabajo establece los primeros límites de complejidad de oráculo no asintóticos para la estimación de la constante de normalización basada en importancia con recocido sin depender de suposiciones isoperimétricas y propone un nuevo muestreador de difusión inversa para superar las limitaciones de la interpolación geométrica tradicional en entornos multimodales.
Este artículo presenta un marco transparente e independiente de la codificación que utiliza conteos de recursos y puntos de referencia de hardware para demostrar que lograr utilidad cuántica temprana para el Problema de Enrutamiento de Vehículos con Capacidad (CVRP) es actualmente improbable en dispositivos NISQ, revelando una ventaja masiva de qubits para codificaciones de orden superior sobre mapeos QUBO directos, mientras sugiere que una descomposición innovadora del problema es esencial para una ventaja cuántica futura.
Este artículo presenta un marco basado en datos que modela la microestructura como un proceso estocástico para construir una variedad de materiales de baja dimensión e invertible, vinculando con éxito las condiciones de procesamiento con los resultados microestructurales y permitiendo un diseño acelerado de materiales en bucle cerrado.
Este artículo presenta un cierre cinético para la ecuación filtrada de Boltzmann--BGK que modela los efectos submalla turbulentos mediante un operador de colisión generalizado sin requerir separación de escalas ni un ansatz tipo Smagorinsky, demostrando una mayor estabilidad y una menor disipación en pruebas numéricas en comparación con los enfoques clásicos.
Este artículo introduce el Operador Neural de Walsh-Hadamard (WHNO), una arquitectura novedosa que utiliza transformadas de Walsh-Hadamard para resolver eficazmente ecuaciones diferenciales parciales con coeficientes discontinuos superando las limitaciones de los métodos basados en Fourier, y demuestra que combinar el WHNO con Operadores Neuronales de Fourier en un conjunto produce una precisión significativamente superior para capturar tanto interfaces nítidas como características suaves.
El artículo presenta SCULPT, una plataforma interactiva de aprendizaje automático basada en la web que utiliza técnicas avanzadas como UMAP y puntuación de confianza adaptativa para analizar datos de coincidencia de múltiples partículas de alta dimensión procedentes de experimentos COLTRIMS, permitiendo así el descubrimiento eficiente de eventos raros y correlaciones en física atómica y molecular.
NORi es una nueva parametrización de aprendizaje automático basada en la física que combina ecuaciones diferenciales ordinarias neuronales con un cierre dependiente del número de Richardson para simular con precisión y estabilidad la turbulencia y la dinámica de arrastre de la capa límite oceánica en modelos climáticos, superando a los métodos tradicionales mientras requiere datos de entrenamiento mínimos y garantiza la estabilidad numérica a largo plazo.
Este artículo demuestra que la topología de la red sirve como un parámetro de diseño reconfigurable para el cálculo específico de tareas, permitiendo el control programable de la dinámica caótica en circuitos neuronales mediante el reensamblaje de conexiones para optimizar el rendimiento de la computación de reservorio.