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.

A Physics-Informed B-Spline Framework for Continuous Approximation of Flow Data

Este artículo introduce la Aproximación Funcional Multivariante Informada por la Física (PI-MFA, por sus siglas en inglés), un marco que utiliza B-splines de producto tensorial para generar reconstrucciones de campos de flujo continuas y diferenciables mediante la optimización de los puntos de control para equilibrar la fidelidad de los datos con las leyes físicas subyacentes, asegurando así resultados físicamente consistentes incluso a partir de datos de entrada inconsistentes.

Junoh Jung, David Lenz, Emil Constantinescu, Tom Peterka2026-06-10🔬 physics

Towards Critical Branching Mechanism in Recurrent Neural Networks

Este artículo demuestra que las redes LSTM pequeñas y entrenadas de manera óptima exhiben una dinámica de ramificación casi crítica y estadísticas de avalanchas de ley de potencia, mientras que los modelos más grandes permanecen subcríticos, con un marco de proceso de ramificación de mezcla propuesto que explica cómo la dinámica heterogénea aún puede generar correlaciones temporales de largo alcance robustas.

Feixiang Ren, Ling Feng2026-06-10🌀 nlin

An adaptive framework for the axisymmetric pulsar magnetosphere using physics-informed Kolmogorov-Arnold networks

Este artículo presenta PulsarX, un marco de código abierto que utiliza redes de Kolmogorov-Arnold adaptativas y procesos de entrenamiento automatizados para lograr soluciones de magnetosferas de púlsares axisimétricas altamente precisas y autoconsistentes con una velocidad de convergencia significativamente mejorada, una reducción del ajuste manual y la capacidad de resolver escalas espaciales extremas en comparación con los enfoques previos de Redes Neuronales Informadas por la Física.

Spyros Rigas, Ioannis Contopoulos, Georgios Alexandridis, Antonios Nathanail2026-06-10🔬 physics

Bounding the Null Space: Interval-Based Uncertainty Quantification for Non-Identifiable Groundwater Models

Este artículo propone un marco de Ajuste de Límites basado en Optimización (OBBT, por sus siglas en inglés) que utiliza aritmética de intervalos y relajaciones de McCormick para proporcionar límites de incertidumbre garantizados y libres de muestreo para modelos de aguas subterráneas no identificables, al tiempo que aborda desafíos como el flujo rotacional no físico mediante restricciones específicas de signo e irrotacionalidad.

Maximilian Ramgraber, Ksenia Bestuzheva2026-06-10🔬 physics

Modeling intercalation chemistry with multi-redox reactions by sparse lattice models in disordered rocksalt cathodes

Este artículo introduce un enfoque combinado que utiliza la expansión de cúmulos basada en regresión dispersa y el muestreo de Monte Carlo semigrand canónico para modelar eficientemente la termodinámica de intercalación de cátodos de sal de roca desordenados, reproduciendo con éxito los perfiles de voltaje experimentales y elucidando las contribuciones redox de Mn y del oxígeno en Li $_{1.3-x}$ Mn $_{0.4}$ Nb $_{0.3}$ O $_{1.6}$ F $_{0.4}$ .

Peichen Zhong, Fengyu Xie, Luis Barroso-Luque, Liliang Huang, Gerbrand Ceder2026-06-09🔬 cond-mat.mtrl-sci

Bayesian Multistate Bennett Acceptance Ratio Methods

Este artículo presenta BayesMBAR, una generalización bayesiana del método de la relación de aceptación de Bennett multiestado (MBAR) que computa distribuciones posteriores de energía libre para proporcionar estimaciones de incertidumbre más precisas y permitir la incorporación de conocimiento previo, como la suavidad de la superficie, en los cálculos de energía libre.

Xinqiang Ding2026-06-09🤖 cs.LG

Consensus-based adaptive sampling and approximation for high-dimensional energy landscapes

Este artículo presenta un marco basado en el consenso que unifica la exploración del espacio de fase con el muestreo adaptativo basado en el residuo posterior para resolver el problema de optimización minimax de la construcción conjunta de modelos sustitutos y la generación de muestras para paisajes de energía de alta dimensión, permitiendo eficazmente la aproximación eficiente de superficies de energía libre en sistemas biomoleculares complejos.

Liyao Lyu, Huan Lei2026-06-09🔬 physics

Machine-Learning-Guided Insights into Solid-Electrolyte Interphase Conductivity: Are Amorphous Lithium Fluorophosphates the Key?

Este estudio utiliza el aprendizaje automático y la predicción de estructuras basada en la difusión para revelar que el difluorofosfato de litio amorfo ( $\ce{LiPO2F2}$ ), un componente clave de la interfase de electrolito sólido, exhibe una alta conductividad iónica debido al desorden estructural y a la abundancia de defectos intersticiales, lo que sugiere que las fases amorfas de aniones mixtos son las principales vías de iones rápidos en las baterías de ion de litio.

Peichen Zhong, Kristin A. Persson2026-06-09🔬 cond-mat.mtrl-sci

Exact Boundary Enforcement Along Implicit Geometries for Physics-Informed, Deep Learning Problems in Continuum Mechanics

Este artículo investiga el impacto de las técnicas de imposición de condiciones de contorno suaves frente a las estrictas en la precisión y la eficiencia de entrenamiento de las redes neuronales informadas por la física (PINNs) para problemas de elastodinámica, demostrando que, si bien la imposición estricta de condiciones de tracción en geometrías implícitas reduce el tiempo de ejecución, a menudo se produce un compromiso frente a la precisión de la solución en comparación con la imposición suave.

Cody Rucker, Brittany A. Erickson2026-06-09🔬 physics

Agentic multi-fidelity learning of quasiparticle and excitonic properties

Este artículo introduce un marco de aprendizaje de fidelidad múltiple guiado por un agente que emplea un agente estructural para diagnosticar inestabilidades numéricas en cálculos GW-Bethe-Salpeter y aplica correcciones de aprendizaje automático para predecir con precisión las propiedades cuasipartículas y excitónicas en bicapas de MoS2-WS2 bajo deformación, demostrando que la detección explícita de la fragilidad numérica es esencial para el modelado de sustitutos fiables de materiales de estado excitado.

Arnab Neogi, Aaron Forde, Christopher A. Lane, Sergei Tretiak, Jian-Xin Zhu2026-06-09🔬 cond-mat.mtrl-sci

← Anterior Siguiente →