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.
El artículo presenta la versión 2.0 de SmoQyDQMC.jl, una implementación flexible en Julia del algoritmo de Monte Carlo cuántico de determinante que soporta interacciones de Hubbard y electrón-fonón generalizadas, incluyendo acoplamientos no lineales y potenciales anarmónicos, mediante un método híbrido optimizado y una interfaz de scripting adaptable.
Este estudio de dinámica molecular revela que la resistencia a la fluencia en la aleación de alta entropía refractaria MoNbTaW se mejora significativamente mediante el aumento del tamaño de grano y la introducción de orden químico local, los cuales fortalecen los límites de grano y suprimen los mecanismos de deformación dominantes en esas interfaces.
El artículo explica el origen del pico en la densidad de estados del HS, crucial para su superconductividad, demostrando que surge de la hibridación de estados de valencia con carácter plano-ondulatorio debido a la proximidad de la zona de Jones a la superficie de Fermi esférica.
Este artículo demuestra que la formulación de integrales de camino en tiempo imaginario para múltiples estados electrónicos (MES-PI), previamente desarrollada, captura naturalmente el efecto de la fase geométrica que surge de las intersecciones cónicas, cuantificando su impacto en las propiedades termodinámicas a bajas temperaturas mediante una construcción ad hoc que excluye la fase geométrica como línea base de comparación.
Este estudio demuestra que los potenciales interatómicos basados en aprendizaje automático (MLIPs) convencionales fallan al modelar materiales de valencia mixta como el \ce{NaFePO4} debido a su incapacidad para capturar la entropía electrónica, y propone una solución que integra explícitamente la información de los estados de carga en la representación del modelo para lograr una optimización estructural precisa y predicciones termodinámicas correctas.
Este artículo investiga el modelo de Potts no local de q colores en una red aleatoria bidimensional mediante simulaciones numéricas y el análisis de sus estados de vacío, discutiendo su relación con el problema del número cromático del plano.
El artículo presenta *pylevin*, un paquete de Python que utiliza el método de Levin para calcular de manera eficiente y estable integrales altamente oscilatorias que contienen hasta tres funciones de Bessel, superando significativamente en velocidad y robustez a los métodos de cuadratura adaptativa estándar.
Este artículo presenta un nuevo esquema de iteración de punto fijo basado en las ecuaciones de propagación bidireccional de pulsos para resolver problemas de dispersión electromagnética no lineal en geometrías tipo lámina con respuestas materiales arbitrarias, demostrando su convergencia y precisión en un caso de respuesta no lineal compuesta por componentes electrónicos y moleculares.
El artículo presenta "split-flows", un enfoque novedoso basado en flujos que reformula el proceso de retroconversión (backmapping) como un transporte de medida continuo entre resoluciones, permitiendo no solo la generación precisa de estructuras atómicas a partir de modelos de grano grueso, sino también el cálculo directo de la entropía de mapeo para cuantificar la información perdida.
Este artículo presenta un marco riguroso para medir cómo los modelos de aprendizaje automático no restringidos aprenden simetrías físicas, demostrando que inyectar estratégicamente los sesgos inductivos mínimos necesarios permite lograr una estabilidad y precisión superiores sin sacrificar la expresividad ni la escalabilidad de arquitecturas flexibles.