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 presenta un método puramente espacial que repara la reducción de orden en la integración de Runge-Kutta explícito para problemas hiperbólicos con condiciones de contorno dependientes del tiempo, rediseñando los operadores de derivada cerca del límite para recuperar la convergencia teórica mediante condiciones algebraicas específicas y optimización numérica.
Este artículo presenta métodos de transporte híbrido multinivel (MLHT) que combinan técnicas de Monte Carlo y métodos deterministas basados en cuasidifusión y segundos momentos para resolver la ecuación de transporte de partículas neutras, demostrando una convergencia débil y una reducción eficiente de la varianza en problemas de transporte en una dimensión.
Este artículo presenta un número especial sobre regresión simbólica en las ciencias físicas, que explora sus fundamentos, aplicaciones en el descubrimiento de ecuaciones y modelado, así como los desafíos actuales y direcciones futuras para integrar restricciones teóricas en la inteligencia artificial.
Este trabajo presenta un marco de optimización bayesiana que generaliza el enfoque de reparametrización probabilística para manejar variables discretas no equidistantes, permitiendo una optimización eficiente y robusta de objetivos complejos y discontinuos en espacios de búsqueda mixtos típicos de las ciencias naturales y los laboratorios autónomos.
Este estudio introduce modelos de hipergrafos temporales impulsados por nodos que, a pesar de basarse en dinámicas de estado markovianas, generan secuencias de eventos con distribuciones de tiempos intereventos de cola larga y autocorrelaciones lentas, ofreciendo un marco interpretable para conectar las fluctuaciones de actividad individual con los patrones temporales observados en interacciones grupales reales.
El artículo aboga por complementar las herramientas de simulación y diseño de caja negra en la nanofotónica con una comprensión profunda de la complejidad que generan el espacio, el tiempo y las dimensiones adicionales.
Este artículo propone que los campos de fuerza híbridos diferenciables resuelven el dilema entre velocidad, precisión y calibrabilidad en el descubrimiento autónomo de electrolitos, al combinar correcciones de redes neuronales con formas funcionales físicas para habilitar simulaciones rápidas y un ajuste dual basado en datos cuánticos y experimentales.
El artículo presenta la TACNN, un modelo de red neuronal convolucional poco profundo que sustituye los núcleos convencionales por tensores genéricos para capturar correlaciones de alto orden y lograr una expresividad competitiva con arquitecturas profundas, demostrando una precisión superior en Fashion-MNIST con solo dos capas.
Este artículo introduce un marco de análisis topológico de datos consciente de la dirección que mejora la predicción del módulo de Young en materiales porosos anisotrópicos al incorporar explícitamente el eje de compresión en los descriptores topológicos, logrando una mayor precisión que los métodos tradicionales y un rendimiento comparable a las redes neuronales convolucionales.
El artículo presenta SMC-AI, un marco algorítmico que aprovecha aceleradores de IA para realizar la simulación de Monte Carlo más grande jamás reportada con 4 billones de átomos, logrando una escalabilidad y eficiencia sin precedentes mientras desacopla los modelos de aprendizaje automático de la simulación.