🔬 Category

physics.comp-ph

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.

When Attention Beats Fourier: Multi-Scale Transformers for PDE Solving on Irregular Domains

Este artículo presenta el Transformador de Atención Multiescala (MSAT), demostrando mediante un análisis empírico y teórico exhaustivo que las arquitecturas basadas en atención superan a los operadores en el dominio de Fourier en la resolución de EDPs en dominios irregulares, al tiempo que establece un compromiso crítico donde la regularización informada por física mejora los problemas dominados por difusión pero degrada el rendimiento en regímenes caóticos.

Brandon Yee, Pairie Koh, Jack Rodriguez, Mihir Tekal2026-05-12🤖 cs.LG

A meshfree exterior calculus for generalizable and data-efficient learning of physics from point clouds

Este trabajo presenta MEEC-Net, una red neuronal sin malla y eficiente en datos que aprovecha un nuevo marco de cálculo exterior para aprender física que preserva la estructura en nubes de puntos, logrando una generalización superior fuera de la distribución en geometrías y parámetros en comparación con las líneas base de operadores neuronales existentes.

Benjamin D. Shaffer, Brooks Kinch, M. Ani Hsieh, Nathaniel Trask2026-05-12🔬 physics

CrystalREPA: Transferring Physical Priors from Universal MLIPs to Crystal Generative Models

CrystalREPA es un marco de tipo plug-and-play que mejora la estabilidad, validez y fidelidad de los cristales generados al alinear las representaciones de modelos generativos con potenciales interatómicos de aprendizaje automático universales congelados (MLIPs) mediante un objetivo contrastivo, revelando que la efectividad de un MLIP para la transferencia depende más de su distinguibilidad de representación que de sus métricas estándar de precisión.

Chengqian Zhang, Yucheng Jin, Duo Zhang, Tiejun Li, Han Wang2026-05-12🔬 cond-mat.mtrl-sci

Nonlinear GENERIC Informed Neural Networks (N-GINNs): learning GENERIC dynamics with non-quadratic dissipation potentials

Este artículo presenta las Redes Neuronales Informadas por GENERIC No Lineales (N-GINNs), un marco de aprendizaje profundo que impone consistencia termodinámica mediante potenciales de disipación convexos para descubrir con precisión ecuaciones de evolución de sistemas que exhiben tanto dinámica conservativa como disipación no cuadrática.

Vojtěch Votruba, Zequn He, Weilun Qiu, Celia Reina, Michal Pavelka2026-05-12🔬 physics

Semi-Supervised Neural Super-Resolution for Mesh-Based Simulations

El artículo presenta SuperMeshNet, un marco neuronal semi-supervisado que utiliza aprendizaje complementario e inducciones inductivas para reconstruir eficientemente soluciones de simulación basadas en mallas de alta fidelidad a partir de datos de baja resolución, requiriendo un 90 % menos de datos de entrenamiento de alta resolución que los benchmarks totalmente supervisados.

Jiyeon Kim, Youngjoon Hong, Won-Yong Shin2026-05-12🔬 physics.app-ph

Constitutive Priors for Inverse Design

Este trabajo presenta un marco de extremo a extremo para el diseño inverso de redes elásticas que optimiza las propiedades materiales que varían espacialmente en el espacio de los comportamientos constitutivos, aprovechando un prior latente termodinámicamente consistente, continuación basada en homotopía y restricciones de suavidad de redes neuronales para resolver de manera robusta problemas de optimización con restricciones de EDP sin requerir correspondencia de malla.

Jinkyo Han, Bahador Bahmani2026-05-12🔬 physics

Teaching Molecular Dynamics to a Non-Autoregressive Ionic Transport Predictor

Este artículo propone un marco de aprendizaje no autoregresivo que utiliza trayectorias atómicas como modalidad auxiliar durante el entrenamiento para permitir la predicción rápida, precisa y dinámica del transporte iónico a partir de estructuras estáticas, sin requerir inferencia secuencial ni datos de trayectorias en el momento de la inferencia.

Jiyeon Kim, Byungju Lee, Won-Yong Shin2026-05-12🔬 physics.atom-ph

Classification of Chimera States via Fourier Analysis and Unsupervised Learning

Este artículo propone un método novedoso que combina el análisis de Fourier y la agrupación no supervisada de variaciones totales normalizadas para detectar y clasificar con precisión diversos tipos de estados quimera en redes de osciladores de Rayleigh acoplados, superando las limitaciones de las técnicas de detección existentes.

Rommel Tchinda Djeudjo, Riccardo Muolo, Thierry Njougouo, Timoteo Carletti2026-05-12🌀 nlin

Accuracy assessment of scalar wave propagation methods for diffractive optics design: from thin elements to thick binary grating

Este artículo evalúa sistemáticamente la precisión de los métodos de aproximación de elementos delgados, propagación de haces y propagación de ondas frente a una referencia rigurosa para rejillas difractivas binarias, generando mapas de precisión para guiar la selección de modelos directos apropiados en cadenas de diseño inverso basadas en la frecuencia espacial y el espesor de la rejilla.

Nicolas Barré2026-05-12🔬 physics.optics

Fast Evaluation of the Azimuthal Fourier Modes of the 3D Helmholtz Green's Function and Their Derivatives

Este artículo presenta un algoritmo O(M)O(M) que evalúa de manera eficiente y precisa los modos de Fourier azimutales de la función de Green de Helmholtz tridimensional y sus derivadas para cualquier número de onda real, combinando la deformación de contorno con relaciones de recurrencia estables, lo que permite simulaciones de dispersión acústica axisimétrica de alto rendimiento.

Hanwen Zhang2026-05-12🔬 physics