1164 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 el desarrollo de SPRAY, un código de hidrodinámica de radiación basado en partículas suavizadas (SPH) y acelerado por GPU, diseñado específicamente para simular de manera precisa y fiable las interacciones láser-plasma de alta intensidad mediante un enfoque libre de mallas que supera las limitaciones numéricas de los métodos existentes.
Este trabajo presenta el primer sistema de tomografía de haz 6D totalmente autónomo en la línea DIAG0 del LCLS-II, que utiliza algoritmos de aprendizaje automático y análisis generativo para monitorear y reconstruir en tiempo real la distribución del espacio de fase del haz con una cadencia de 5 a 10 minutos.
Este trabajo extiende el marco de modelos de cierre de momentos basados en aprendizaje automático para la ecuación de transferencia radiativa a dos dimensiones espaciales y angulares, proponiendo un método que preserva la estructura de la aproximación clásica e impone la hiperbolicidad simetrizable mediante la parametrización algebraica de los bloques de cierre en matrices simétricas definidas positivas.
Este trabajo presenta un pipeline para construir un grafo de conocimiento centrado en autores de investigación sobre baterías utilizando OpenAlex y modelos de IA para generar vectores semánticos que permiten identificar expertos, detectar comunidades y facilitar búsquedas exploratorias a escala global.
Mediante el uso de dinámica molecular asistida por aprendizaje automático, este estudio revela que el deslizamiento en superredes de Moiré ferroeléctricas de MoS₂ no ocurre mediante una traslación rígida de capas, sino a través de un mecanismo colectivo mediado por paredes de dominio con barreras ultrabajas que permite un deslizamiento térmico espontáneo, el cual puede ser convertido en un estado de anclaje local mediante la presencia de vacantes de azufre.
Este trabajo introduce un kernel analítico de producto Hessian-vector basado en propagación recursiva de estados tangentes que, al integrarse en un marco de región de confianza riemanniana, permite optimizar redes tensoriales con una convergencia más rápida y una fidelidad superior a la de los métodos de primer orden, evitando así la construcción prohibitiva de la matriz Hessiana completa.
Mediante cálculos de primeros principios, este estudio demuestra que los alótropos de carbono bidimensionales azulenoides-kekulénicos (AKC-[3,3] y AKC-[6,0]) exhiben una fase de aislante topológico de segundo orden protegida por simetría rotacional , caracterizada por invariantes topológicos no triviales, cargas fraccionarias en las esquinas y estados exóticos localizados que permanecen robustos ante modificaciones estructurales.
Este artículo presenta una herramienta de código abierto basada en la interpretabilidad mecánica que analiza las representaciones internas de los modelos de IA meteorológica, como GraphCast, para identificar combinaciones lineales de canales latentes asociadas a características meteorológicas interpretables y así mejorar la confianza en estas predicciones.
Este artículo presenta un método aproximado basado en la teoría de perturbaciones de primer orden con fronteras desplazadas para predecir con alta precisión las distribuciones de frecuencias de resonancia y factores de calidad en cavidades ópticas y nanopartículas plasmónicas afectadas por deformaciones superficiales aleatorias, evitando así la necesidad de costosos cálculos numéricos directos.
Este artículo presenta un marco de inferencia basado en simulación (SBI) impulsado por redes neuronales que permite un monitoreo de condición en tiempo real de intercambiadores de calor, logrando una precisión diagnóstica comparable a los métodos bayesianos tradicionales pero con una aceleración de 82 veces en el tiempo de inferencia.