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 presenta Neural-ISAM, un método híbrido de aprendizaje automático in situ que reemplaza dinámicamente las regiones podadas de las bases de datos de tabulación adaptativa con redes neuronales entrenadas para reducir significativamente los requisitos de memoria manteniendo la precisión en simulaciones de grandes remolinos de llamas turbulentas complejas.
jNO es una biblioteca unificada y nativa de JAX que agiliza el entrenamiento de operadores neuronales y modelos fundamentales al integrar enfoques basados en datos e informados por la física en un único sistema de trazado simbólico, permitiendo transiciones fluidas entre la regresión de operadores, la evaluación de residuos conscientes de la malla y la optimización con restricciones de EDP sin reestructurar el código.
Este artículo introduce la contracción estocástica de tensores como un primitivo computacional altamente eficiente que reduce el costo de las operaciones de tensores de alto orden en la química cuántica ab initio, permitiendo específicamente que la teoría de clusters acoplados alcance la precisión química con una escalación de campo medio y superando significativamente a las aproximaciones de correlación local existentes tanto en velocidad como en error.
Este artículo presenta CarCrashNet, un conjunto de referencia de código abierto a gran escala que comprende más de 14.000 simulaciones de colisión a nivel de componente y 825 simulaciones de colisión de vehículos completos, junto con CrashSolver, un solucionador neuronal jerárquico diseñado para habilitar la predicción estructural de colisiones basada en datos y potenciada por IA, así como la investigación reproducible en seguridad vehicular.
Este trabajo presenta un marco unificado para resolver diversos problemas de optimización combinatoria NP-difíciles en un recocidor cuántico de Rydberg mediante su mapeo a un formalismo QUBO a través de codificación por desplazamientos de luz locales y un protocolo de recocido cuántico optimizado, al tiempo que introduce un parámetro de dificultad generalizado para cuantificar la complejidad del problema.
Este estudio introduce un marco de distribución de energía de adsorción resuelto por facetas que utiliza campos de fuerza aprendidos por máquina para analizar 1,4 millones de sitios de adsorción en diversas superficies de aleación, identificando así composiciones y orientaciones específicas que optimizan tanto la actividad como la selectividad hacia metanol para la hidrogenación de CO.
Este artículo presenta un marco de aprendizaje de operadores de orden reducido informado por física que combina Operadores Neuronales de Equilibrio con interpolación empírica discreta basada en QR para reducir drásticamente el costo computacional del entrenamiento y la inferencia de modelos sustitutos de microestructuras hiperelásticas 3D, garantizando al mismo tiempo el equilibrio mecánico y permitiendo predicciones precisas de tensiones.
Este artículo compara sistemáticamente el transporte restringido (CT) y los métodos mixtos de limpieza de divergencia de Dedner para simulaciones de MHD astrofísicas, revelando que estos últimos pueden producir artefactos e imprecisiones significativas en escenarios que involucran campos magnéticos localizados o cambios bruscos en el paso de tiempo, lo que sugiere que el CT es generalmente más preciso y fiable, al tiempo que propone modificaciones específicas para mejorar la robustez de la limpieza de divergencia.
Este artículo presenta una extensión del kit de herramientas de cuantificación de incertidumbre para el paquete KLIFF dentro del marco OpenKIM, que utiliza el método de Monte Carlo de cadenas de Markov con recocido paralelo para evaluar las incertidumbres derivadas tanto de las variaciones de parámetros como de las insuficiencias de la forma funcional en los potenciales interatómicos, tal como se demuestra en un potencial Stillinger–Weber para silicio.
Este artículo presenta un enfoque escalable de coincidencia de información basado en optimización convexa que aprovecha la matriz de información de Fisher para seleccionar datos de entrenamiento mínimos y de alto valor con el fin de predecir con precisión cantidades de interés, abordando así la escasez de datos y la no identificabilidad de parámetros en diversas aplicaciones de modelado científico y aprendizaje activo.