1223 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 para construir desigualdades cuadráticas no convexas que permiten establecer cotas en problemas de diseño físico con objetivos cuadráticos o de razón de cuadráticos, demostrando que dichas desigualdades son equivalentes a las ecuaciones físicas originales bajo una condición técnica verificable en muchos casos prácticos.
Este artículo propone un modelo estadístico basado en el ensemble canónico y el modelo de gota nuclear para calcular la distribución del tamaño de los cúmulos de ionización en nanodosimetría, demostrando su viabilidad especialmente para primarios de baja energía en nanovolumenes donde los modelos de trayectoria no son aplicables.
Este artículo presenta una simulación de turbulencia 2D acelerada por GPU que utiliza algoritmos de redes tensoriales inspirados en la mecánica cuántica (estados de producto matricial) para resolver las ecuaciones de Navier-Stokes, logrando una aceleración de hasta 12.1 veces y demostrando ventajas potenciales sobre las simulaciones numéricas directas en regímenes turbulentos de alto número de Reynolds.
Este estudio presenta un método mejorado de predicción de estructuras cristalinas que combina un potencial neuronal universal (PFP) con un algoritmo genético que preserva la diversidad, logrando explorar con mayor eficiencia el espacio de composiciones y reproducir diagramas de fase precisos con menos ensayos que los métodos existentes.
Este artículo presenta un método bayesiano basado en splines penalizados con un componente paramétrico para estimar la densidad espectral de potencia del ruido de LISA, logrando una caracterización precisa y flexible que valida su eficacia mediante datos simulados y su aplicabilidad en pipelines de análisis iterativo.
Este trabajo presenta un algoritmo cuántico de extremo a extremo y tolerante a fallos que optimiza la topología en mecánica estructural reformulando el problema como una búsqueda combinatoria resuelta mediante el algoritmo de Grover, logrando una aceleración cuadrática al evaluar exponencialmente muchas configuraciones en tiempo polinomial.
El artículo presenta CaloClouds3, un modelo de simulación rápida basado en nubes de puntos que, mediante condicionamiento angular y datos de entrenamiento agnósticos a la posición, replica con alta precisión las cascadas de fotones en todo el barril de un detector de granularidad ultraelevada, logrando una aceleración de dos órdenes de magnitud frente a Geant4.
Este estudio utiliza simulaciones de interacción fluido-estructura para demostrar que, mientras la actuación hidrodinámica reduce monótonamente el tiempo de movilización de una gota de aceite en un tubo deformable al aumentar su amplitud, la actuación dinámica de las paredes exhibe un efecto de resonancia que minimiza dicho tiempo a una frecuencia específica, ofreciendo así nuevas estrategias para el control preciso de gotas en aplicaciones bio-microfluídicas.
Este artículo presenta el uso de nanoantenas toroidales plasmónicas para lograr un conmutador espectral programable que modula las transiciones moleculares con un 99,9% de profundidad mediante interferencia de Fano, ofreciendo aplicaciones prometedoras en biosensores y computación cuántica.
Este artículo presenta por primera vez la aplicación de Redes Neuronales Físicamente Informadas Cuántico-Clásicas (QCPINN) basadas en variables discretas para resolver cuatro modelos de filtración de yacimientos, demostrando que su arquitectura híbrida supera a las PINN clásicas en precisión y valida la viabilidad de la computación cuántica en la ingeniería de petróleo y gas.