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.
Este estudio introduce modelos de hipergrafos temporales impulsados por nodos que, a pesar de basarse en dinámicas de estado markovianas, generan secuencias de eventos con distribuciones de tiempos intereventos de cola larga y autocorrelaciones lentas, ofreciendo un marco interpretable para conectar las fluctuaciones de actividad individual con los patrones temporales observados en interacciones grupales reales.
Este trabajo presenta el método paFEMU, un enfoque de aprendizaje por transferencia que combina modelos constitutivos potenciados por IA, esparsificación para la descubrimiento interpretable de modelos y optimización basada en elementos finitos para integrar datos multimodales y multirresolución, permitiendo así el descubrimiento rápido de modelos constitutivos.
El artículo aboga por complementar las herramientas de simulación y diseño de caja negra en la nanofotónica con una comprensión profunda de la complejidad que generan el espacio, el tiempo y las dimensiones adicionales.
Este artículo propone que los campos de fuerza híbridos diferenciables resuelven el dilema entre velocidad, precisión y calibrabilidad en el descubrimiento autónomo de electrolitos, al combinar correcciones de redes neuronales con formas funcionales físicas para habilitar simulaciones rápidas y un ajuste dual basado en datos cuánticos y experimentales.
El artículo presenta la TACNN, un modelo de red neuronal convolucional poco profundo que sustituye los núcleos convencionales por tensores genéricos para capturar correlaciones de alto orden y lograr una expresividad competitiva con arquitecturas profundas, demostrando una precisión superior en Fashion-MNIST con solo dos capas.
Este estudio propone un modelo de aprendizaje por refuerzo que vincula las tasas de exploración con las diferencias de reputación local y actualizaciones asimétricas, demostrando que este mecanismo conjunto fomenta la cooperación al incentivar que los individuos con baja reputación exploren más y los de alta reputación se mantengan estables, optimizando así las recompensas y penalizaciones según el estatus social.
Este artículo introduce un marco de análisis topológico de datos consciente de la dirección que mejora la predicción del módulo de Young en materiales porosos anisotrópicos al incorporar explícitamente el eje de compresión en los descriptores topológicos, logrando una mayor precisión que los métodos tradicionales y un rendimiento comparable a las redes neuronales convolucionales.
El artículo presenta SMC-AI, un marco algorítmico que aprovecha aceleradores de IA para realizar la simulación de Monte Carlo más grande jamás reportada con 4 billones de átomos, logrando una escalabilidad y eficiencia sin precedentes mientras desacopla los modelos de aprendizaje automático de la simulación.
Este artículo presenta dos formulaciones de redes neuronales informadas por física con restricciones duras, denominadas enfoques de ventana y de búfer, que mejoran significativamente la precisión y la robustez en la resolución de problemas de interfaz al incorporar las condiciones físicas directamente en la representación de la solución, eliminando así la necesidad de términos de penalización suave y el ajuste de pesos de pérdida.
El artículo presenta el método de decimación integral, un algoritmo inspirado en la mecánica cuántica que descompone integrales multidimensionales en productos de funciones matriciales mediante un tren tensorial espectral, reduciendo la complejidad computacional de exponencial a polinómica y permitiendo el cálculo eficiente de propiedades termodinámicas y matrices de densidad en sistemas complejos donde los métodos convencionales fallan.