1214 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 presenta un solver de Riemann neuronal con restricciones duras (HCNRS) que garantiza propiedades físicas esenciales como la positividad, la simetría y la conservación, logrando reproducir con precisión los resultados de solvers exactos en ecuaciones de fluidos complejas sin los errores numéricos asociados a enfoques neuronales no restringidos.
Este trabajo presenta una implementación de código abierto de dinámica molecular de integrales de camino (PIMD) acelerada por GPU que permite simular eficientemente sistemas cuánticos de gran escala con decenas de miles de partículas idénticas, superando las limitaciones computacionales tradicionales y ofreciendo una solución prometedora para el problema de la señal fermiónica.
Este artículo introduce un enfoque de estados de producto matricial (MPS) en primera cuantización para sistemas de fermiones que, al reformular el manejo de la antisimetría, logra un nivel de entrelazamiento comparable o incluso menor que el de la segunda cuantización, demostrando su eficacia en el modelo - unidimensional.
Este estudio presenta la creación de la base de datos NEMAD, que utiliza modelos de lenguaje grandes para extraer datos experimentales de 67.573 materiales magnéticos y entrena modelos de aprendizaje automático para clasificarlos y predecir sus temperaturas de transición, acelerando así el descubrimiento de nuevos materiales magnéticos de alto rendimiento.
Mediante el uso de una red neuronal profunda entrenada con datos de teoría del funcional de la densidad, este estudio revela que, aunque la compresión de agua líquida a temperatura ambiente aumenta su constante dieléctrica estática debido a la mayor densidad y fluctuaciones dipolares colectivas, también reduce el factor de correlación de Kirkwood al distorsionar la red de enlaces de hidrógeno y debilitar las correlaciones dipolares.
Este artículo presenta un modelo de red neuronal gráfica equivariante (EGNN) que predice con precisión las posiciones atómicas relajadas, la energía y otras propiedades estructurales de óxido de cobalto y litio (LCO) sin necesidad de costosos cálculos de teoría del funcional de la densidad (DFT), superando las limitaciones de los métodos tradicionales al manejar variaciones de red y desorden estructural.
Los autores presentan una biblioteca moderna en Fortran para calcular coeficientes de acoplamiento y recoplamiento de SU(3) que, al implementar algoritmos de Draayer, Akiyama y Millener, ofrece un mayor rango de números cuánticos y mayor precisión que las implementaciones anteriores.
Este trabajo demuestra que un modelo de "parroting" (repetición) de contexto simple supera a los modelos fundacionales de series temporales en la predicción de diversos sistemas dinámicos, revelando que estos modelos a menudo carecen de comprensión física real y sugiriendo nuevas direcciones para el diseño de futuros modelos.
Este artículo propone un enfoque de diseño inverso para espectrómetros computacionales integrados que optimiza la topología de los medios de dispersión para mejorar la inferencia robusta de espectros sin necesidad de conjuntos de entrenamiento o algoritmos específicos, demostrando un rendimiento superior al ruido en comparación con los dispersores aleatorios.
Este estudio presenta una evaluación multiescala que integra simulaciones moleculares, optimización de procesos PVSA y análisis técnico-económico para demostrar que, de la serie isoreticular de CALF-20, el material CALF-20 original ofrece el mejor rendimiento económico y energético para la purificación de biogás, logrando un metano con más del 97% de pureza a un costo de 4,31 $/kg.