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 propone esquemas ADI modificados y combinados con el método de integral de frontera libre de núcleo (KFBI) para resolver de manera eficiente y estable ecuaciones de calor tridimensionales con fronteras e interfaces irregulares, incluyendo aplicaciones en problemas de Stefan como la solidificación dendrítica.
Este artículo presenta un marco de difusión gobernado por la geometría fractal que explica las diferencias en la respuesta de tejidos tumorales y sanos bajo irradiación FLASH, demostrando que la complejidad estructural y la dinámica subdifusiva suprimen el transporte a larga distancia y favorecen la localización de dominios reactivos.
Este trabajo presenta un solver basado en redes neuronales de grafos que preserva la estructura física de las leyes de conservación hiperbólicas, combinando principios numéricos clásicos con aprendizaje automático para lograr simulaciones estables, precisas y rápidas en flujos supersónicos complejos.
El artículo presenta PINNACLE, un framework de código abierto que unifica las redes neuronales informadas por física (PINNs) clásicas y cuánticas con estrategias de entrenamiento avanzadas y aceleración multi-GPU, ofreciendo un estudio exhaustivo de referencia para evaluar su rendimiento, escalabilidad y compensaciones frente a los solucionadores tradicionales.
Este estudio presenta un flujo de trabajo probabilístico escalable que integra corrección bayesiana y aprendizaje profundo para superar las limitaciones de los enfoques deterministas, permitiendo predecir de manera eficiente la transmissividad efectiva en fracturas geológicas naturales bajo incertidumbre y preservando la consistencia física del flujo.
Este trabajo presenta un marco de aprendizaje automático que corrige con alta fidelidad los errores de las predicciones teóricas de niveles de energía de isotopólogos moleculares mediante redes neuronales y aprendizaje por transferencia, mejorando significativamente la precisión de las listas espectroscópicas de CO₂ y CO para el estudio de atmósferas de exoplanetas.
Este estudio demuestra que el uso de Estados de Producto Matricial (MPS) para simular la convección de Rayleigh-Bénard en dos dimensiones permite recuperar observables estadísticos clave, como el número de Nusselt, con alta precisión y una reducción significativa de grados de libertad incluso a altos números de Rayleigh, estableciendo así el método como una herramienta escalable para el estudio de la turbulencia térmica.
El estudio demuestra que la conducción dinámica de espines mediante la modulación de la distancia entre radicales supera las limitaciones del acoplamiento dipolar en la criptocroma, mejorando significativamente la sensibilidad al campo magnético terrestre mediante transiciones de tipo Landau-Zener y sugiriendo que un receptor vivo y oscilante es más sensible que uno estático.
Los autores desarrollan y validan un enfoque bayesiano riguroso que permite determinar la densidad electrónica de proteínas pequeñas a partir de imágenes de dispersión de rayos X extremadamente ruidosas y con pocos fotones, superando las limitaciones de métodos anteriores que requerían especímenes más grandes.
Este artículo presenta nuevos integradores de Euler exponencial de rango completo y bajo rango para la ecuación de Lindblad que garantizan incondicionalmente la preservación de la positividad y la traza, ofreciendo estimaciones de error precisas y demostrando una eficacia superior a los métodos actuales mediante experimentos numéricos.