879 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 nuevo marco para la construcción de sustitutos neuronales en tiempo real que preservan la estructura para ecuaciones diferenciales parciales, integrando espacios de elementos finitos mixtos con la regresión de procesos gaussianos para permitir una cuantificación de la incertidumbre tratable y cotas de error posterior de forma cerrada.
Este artículo presenta un marco de aprendizaje profundo híbrido que utiliza una Red Neuronal Convolucional Multiescala para parametrizar dinámicamente un modelo de Autómatas Celulares Probabilísticos en JAX, mejorando significamente la precisión de la predicción de la propagación de incendios forestales en incendios a gran escala en EE. UU. al capturar interacciones ambientales complejas mientras mantiene la interpretabilidad física.
Este estudio demuestra que, si bien la heterogeneidad microestructural en la geometría de los granos tiene un efecto modesto, una amplia distribución de las viscosidades de los bordes de grano puede suprimir y ensanchar el pico característico de tipo Debye del deslizamiento de bordes de grano acomodado elásticamente hacia un fondo débil, explicando así la ausencia de un pico pronunciado en experimentos con olivino seco sin negar la relevancia del mecanismo para la atenuación sísmica del manto superior.
Este artículo presenta fitPALSpectra, un flujo de trabajo de Python de código abierto que aborda los desafíos de analizar datos de espectroscopía de tiempo de vida de aniquilación de positrones (PALS) al proporcionar una herramienta configurable para simular, ajustar y visualizar espectros utilizando un modelo exponencial-gaussiano analíticamente integrado, el cual ha sido validado para recuperar con precisión los parámetros de la verdad fundamental en datos sintéticos.
Este artículo propone un método espectral mixto de Hermite-Legendre para simulaciones de plasma cinético que combina la eficiencia de los polinomios de Hermite para distribuciones cercanas a Maxwell con las capacidades de resolución de los polinomios de Legendre para características no maxwellianas localizadas, logrando una precisión mejorada y la conservación de invariantes físicos a un costo computacional comparable.
Este artículo introduce un método de Diagonalización Aproximada Conjunta para cálculos de $GW$ cuasipartícula autoconsistente que utiliza la autoenergía dinámica completa y una matriz de densidad derivada de la función de Green completa, logrando una precisión comparable con el estándar mientras ofrece una mejor concordancia con los valores de referencia de alto nivel de CCSD(T).
Este artículo presenta las Formas de Whitney Neuronales de Geometría General (Geo-NeW), un método de elementos finitos basado en datos que aprende conjuntamente operadores diferenciales y espacios reducidos compatibles para preservar las leyes de conservación física y lograr una generalización superior a geometrías no vistas al resolver ecuaciones diferenciales parciales.
Este artículo establece un marco teórico que compara los conjuntos de redes neuronales de sistema cerrado con análogos de sistema abierto de la teoría de reacciones nucleares, concluyendo finalmente que la dinámica no hermítica distintiva de estos últimos está estructuralmente ausente en el aprendizaje convencional debido a la falta de espectros continuos y comportamiento ondulatorio, localizando así la verdadera fuente de la incertidumbre operativa dentro de la correspondencia del sistema cerrado.
Este artículo resuelve la paradoja de que los Estados de Producto de Matrices (MPS) sean altamente entrenables a pesar de los problemas generales de entrenabilidad de los circuitos cuánticos, al demostrar que la libertad de calibre en los MPS induce una sobreparametrización local efectiva, lo que elimina los mínimos locales pobres y los concentra cerca del mínimo global.
Este artículo presenta Graphlet-MP, una base de datos integral y un conjunto de herramientas de código abierto que proporciona representaciones de histogramas de grafletos interpretables y eficientes en datos para más de 149.000 cristales inorgánicos para permitir la predicción de propiedades de materiales incluso con datos experimentales escasos.