physics.comp-ph 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.

The Integral Decimation Method for Quantum Dynamics and Statistical Mechanics

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.

Ryan T. Grimm, Alexander J. Staat, Joel D. Eaves2026-04-09⚛️ quant-ph

Learning by training: emergent return-point memory from cyclically tuning disordered sphere packings

Este trabajo demuestra que los sistemas desordenados a térmicos pueden adquirir una memoria de retorno de punto al evolucionar hacia una variedad absorbente marginal tras un entrenamiento cíclico, revelando un mecanismo físico general sobre cómo los sistemas adaptativos aprenden y retienen información de condiciones ambientales pasadas.

Mengjie Zu, Carl P. Goodrich2026-04-09🔬 physics

Classical Neural Networks on Quantum Devices via Tensor Network Disentanglers: A Case Study in Image Classification

Este artículo propone un método híbrido clásico-cuántico que comprime capas lineales de redes neuronales preentrenadas en operadores de producto matricial (MPO) y los desentrelaza mediante algoritmos variacionales o de descenso de gradiente, permitiendo ejecutar circuitos de desentrelazamiento en hardware cuántico mientras el resto del modelo se procesa clásicamente para tareas de clasificación de imágenes como MNIST y CIFAR-10.

Borja Aizpurua, Sukhbinder Singh, Román Orús2026-04-09⚛️ quant-ph

Multifluid Hydrodynamic Simulation of Metallic-Plate Collision Using the VOF Method

Este estudio presenta una simulación hidrodinámica multifluido unidimensional de la colisión de placas de plomo y acero mediante el método de volumen de fluido (VOF) y un algoritmo de tipo Godunov con relajación de presión, validando los resultados numéricos con datos experimentales sobre la llegada de la onda de descarga.

Fedor Belolutskiy, Elena Oparina, Svetlana Fortova2026-04-09🔬 physics

Asymptotic-Preserving Neural Networks for Viscoelastic Parameter Identification in Multiscale Blood Flow Modeling

Este estudio presenta un enfoque basado en redes neuronales asintóticamente preservantes para identificar parámetros viscoelásticos en modelos de flujo sanguíneo multiescala, permitiendo estimar ondas de presión a partir de datos de ultrasonido Doppler y reconstruir la evolución temporal de las variables del sistema sin necesidad de mediciones directas de presión.

Giulia Bertaglia, Raffaella Fiamma Cabini2026-04-09🤖 cs.LG

DYNAMITE: A high-performance framework for solving Dynamical Mean-Field Equations

El artículo presenta \textsc{Dynamite}, un marco de alto rendimiento que resuelve las ecuaciones de campo medio dinámicas (DMFE) hasta tiempos sin precedentes ( $t=O(10^7)$ ) mediante técnicas avanzadas como interpolación no uniforme y renormalización numérica, permitiendo el estudio de dinámicas lentas en paisajes energéticos complejos con una eficiencia y precisión superiores a los métodos existentes.

Johannes Lang, Vincenzo Citro, Luca Leuzzi, Federico Ricci-Tersenghi2026-04-09🔬 cond-mat

Calibration of a neural network ocean closure for improved mean state and variability

Este artículo presenta un método de calibración basado en la inversión de Kalman por conjuntos para optimizar los parámetros de una red neuronal que parametriza los remolinos mesoescalares, logrando reducir significativamente los errores en el estado medio y la variabilidad de los modelos oceánicos de resolución gruesa.

Pavel Perezhogin, Alistair Adcroft, Laure Zanna2026-04-09🔬 physics

Two-dimensional active polar semiflexible polymer under shear flow

Mediante simulaciones numéricas, este estudio revela que el flujo de cizalla en polímeros semiflexibles activos polarizados en dos dimensiones induce alineación, movimientos de volteo y una viscosidad negativa, con un comportamiento dinámico y reológico que depende críticamente de la rigidez del polímero y de la actividad antes de que el flujo domine a altas tasas de cizalla.

A. Lamura, R. G. Winkler2026-04-09🔬 cond-mat

Operator Learning for Surrogate Modeling of Wave-Induced Forces from Sea Surface Waves

Este trabajo propone el uso de Deep Operator Networks (DeepONets) como un modelo sustituto eficiente y preciso del modelo numérico SWAN para predecir las fuerzas inducidas por olas y el estrés de radiación en simulaciones acopladas de marejadas ciclónicas, superando las limitaciones computacionales de los métodos tradicionales.

Shukai Cai, Sourav Dutta, Mark Loveland, Eirik Valseth, Peter Rivera-Casillas, Corey Trahan, Clint Dawson2026-04-09🔬 physics

A Massively Scalable Ligand-Protein Dissociation Dynamic Database Derived from Atomistic Molecular Modelling

Este artículo presenta DD-03B, una base de datos masivamente escalable que contiene aproximadamente 0,3 mil millones de marcos de simulación de trayectorias de disociación para 19.037 complejos ligando-proteína, proporcionando una fundación crítica para entrenar modelos de inteligencia artificial generativa en la predicción y optimización de la cinética de disociación de fármacos.

Maodong Li, Dechin Chen, Zhijun Pan, Zhe Wang, Yi Isaac Yang2026-04-09🔬 physics

← Anterior Siguiente →