131 artículos
Este artículo presenta un precondicionador eficiente derivado del tensor métrico que acelera significativamente la optimización basada en gradientes de los estados entrelazados proyectados infinitos (iPEPS) para sistemas cuánticos de muchos cuerpos, superando los desafíos de costo computacional y mal acondicionamiento en modelos como Heisenberg y Kitaev.
El artículo presenta "El Agente Cuántico", un sistema de IA multiagente que automatiza flujos de trabajo de simulación cuántica traduciendo intenciones científicas en lenguaje natural a cálculos ejecutados y validados, unificando diversos paradigmas de simulación y reduciendo las barreras técnicas para la exploración de modelos físicos.
Este artículo demuestra que las barreras de entrelazamiento que limitan la resolución del problema 3-SAT mediante estados de producto matricial en computadoras clásicas surgen fundamentalmente de la complejidad computacional clásica, revelando cómo la dureza del problema de conteo #3-SAT se manifiesta en las propiedades cuánticas y exige recursos superlineales en términos de no estabilizadores.
Este artículo presenta un marco de aprendizaje automático basado en semidefinidos que combina redes neuronales convexas con programación semidefinida para aproximar el conjunto de matrices de densidad reducida de dos electrones N-representables, logrando una mayor precisión en el cálculo variacional directo sin necesidad de construir explícitamente condiciones de positividad de orden superior.
Este artículo introduce un nuevo marco de "modelos de deriva" que, al integrar fuerzas moleculares mediante identidades teóricas específicas para espacios de coordenadas y distancias, logra generar conformaciones moleculares en un solo paso con una aceleración de un millón de veces respecto a la dinámica molecular tradicional, manteniendo al mismo tiempo la precisión de la distribución de Boltzmann y la validez estructural.
El artículo presenta JAWS, una estrategia de regularización probabilística que modula dinámicamente la fuerza de la regularización según la complejidad física local para mejorar la estabilidad a largo plazo, la fidelidad de las ondas de choque y la generalización en modelos de operadores neuronales, superando las limitaciones de las técnicas de regularización global y los métodos de optimización de trayectorias de largo horizonte.
Este estudio combina un modelo analítico calibrado con simulaciones numéricas avanzadas para vincular los parámetros operativos de los chorros supersónicos de pulverización térmica con su firma aeroacústica y el transporte de partículas, demostrando que el monitoreo acústico puede servir como una herramienta no intrusiva para controlar y optimizar estos procesos.
El artículo presenta un autocodificador de Koopman en tiempo continuo (CT-KAE) como un modelo sustituto ligero y estable que supera a las redes Transformer autoregresivas en la predicción a largo plazo de estados oceánicos, logrando un crecimiento de error acotado y una inferencia significativamente más rápida mediante la proyección de dinámicas no lineales a un espacio latente lineal.
Este estudio presenta la primera aplicación del arrastre espectral en un marco de pronóstico de conjuntos probabilísticos, combinando modelos físicos y de aprendizaje automático para mejorar significativamente la habilidad predictiva a gran escala y las trayectorias de ciclones tropicales sin degradar la intensidad de las tormentas.
El artículo demuestra que preentrenar el tokenizador con un objetivo de autoencoder antes de entrenar el modelo de dinámica mejora significativamente la eficiencia y precisión de los modelos fundacionales de física, especialmente cuando el preentrenamiento se realiza en el mismo sistema físico que la tarea final.
Este artículo presenta TRec, un marco de tomografía de dispersión de muones informado por física que, al reconstruir trayectorias curvas y medir el momento, permite detectar con alta sensibilidad la ausencia de combustible en núcleos de microreactores sellados, superando significativamente a los métodos tradicionales como PoCA.
Este artículo presenta nuevos métodos Multistep Runge-Kutta (MSRK) de cuarto orden que reutilizan datos de pasos anteriores para reducir el costo computacional en simulaciones de Relatividad Numérica, demostrando su eficacia mediante la validación en el EinsteinToolkit.
El artículo presenta el algoritmo SBCI, un método de interacción de configuraciones basado en mecánica clásica e inspirado en la bifurcación simulada, que logra reducir los costos computacionales de los cálculos químicos cuánticos manteniendo una alta precisión comparable a los métodos estándar.
Este estudio demuestra que el uso de métodos de movimiento de malla basados en aprendizaje automático (UM2N) dentro de modelos de aguas someras no hidrostáticos mejora significativamente la eficiencia y la precisión en la simulación de tsunamis y la evaluación de peligros costeros, manteniendo una alta robustez bajo condiciones no lineales.
Este artículo demuestra que la eliminación del acoplamiento espín-órbita mediante la representación genera acoplamientos no adiabáticos significativos que, si se ignoran, provocan errores graves en las predicciones espectroscópicas y dinámicas, estableciendo así que dicha aproximación de un solo estado solo es fiable cuando los estados interactuantes están bien separados.
Este estudio demuestra que las complejas fases de alta presión del metano cristalino pueden entenderse como un empaquetamiento de supermoléculas casi esféricas, donde la competencia entre la eficiencia del empaquetamiento y la entropía, junto con la dependencia de la orientación molecular, explica la formación de estructuras icosaédricas y de empaquetamiento cúbico centrado en el cuerpo que dan lugar a su simetría no cúbica y rotación restringida.
Los autores presentan dos potenciales de aprendizaje automático de largo alcance con cargas dependientes del entorno que, al combinarse con el Potencial de Momento Tensorial, mejoran la precisión de modelos existentes y permiten predecir con éxito la división LO-TO, constantes dieléctricas y espectros fonónicos en sistemas orgánicos, cristalinos y uniaxiales como el NaCl y el PbTiO₃.
El estudio revela que el llenado de zeolitas KFI con cadenas de carbono no solo induce un inusual ensanchamiento de la banda prohibida bajo alta presión, desafiando la teoría convencional, sino que también permite la síntesis de cadenas de cumuleno ultra largas que exhiben superconductividad a alta temperatura (~62 K), abriendo nuevas vías para la electrónica y la física de materiales.
Este artículo presenta una comparación exhaustiva de los algoritmos de empuje de partículas relativistas en simulaciones PIC, destacando que una clase importante de estos esquemas explícitos puede generalizarse para lograr un orden de precisión arbitrariamente alto.
Mediante cálculos de primeros principios y modelado fenomenológico, el estudio predice que el dopaje con huecos reduce el campo coercitivo del hafnio ferroeléctrico al activar una vía de conmutación competitiva a través de la fase Pbcm, transformándolo de un ferroeléctrico impropio a uno propio.