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 marco innovador llamado "Física Neural Cuántica" que integra operadores de convolución cuántica dentro de un solucionador multigrid híbrido clásico-cuántico para resolver ecuaciones diferenciales parciales con una compresión de memoria exponencial y una aceleración computacional potencial en futuros ordenadores cuánticos.
Este artículo presenta un marco unificado basado en aproximaciones asintóticas para diseñar interfaces de valle-Hall reconfigurables en metamateriales bidimensionales, donde la asignación de condiciones de contorno de Dirichlet o Neumann en inclusiones idénticas permite crear y reubicar modos interfaciales sin alterar la geometría subyacente.
Este artículo presenta un algoritmo iterativo que, utilizando transformadas de Fourier y Abel junto con restricciones en el espacio real, restaura los datos faltantes en ángulos de dispersión bajos de patrones de difracción bidimensionales de moléculas aisladas, permitiendo su representación en el espacio real con solo un conocimiento aproximado de las distancias internucleares.
Este artículo presenta un potencial de aprendizaje automático basado en redes neuronales gráficas para el aluminio, que permite simulaciones de millones de átomos con precisión *ab initio* para revelar detalles atómicos críticos en la solidificación y deformación que los modelos clásicos no pueden capturar correctamente.
Este artículo presenta *soliton_solver*, un paquete de software de código abierto acelerado por GPU que utiliza un núcleo numérico agnóstico a la teoría y renderizado en tiempo real para simular y visualizar solitones topológicos en teorías de campo no lineales bidimensionales.
Este artículo presenta un modelo sustituto basado en LSTM que, utilizando series temporales de olas y movimiento de buques, aprende a predecir episodios de balanceo paramétrico y sus cambios estadísticos asociados, demostrando su eficacia tanto en datos de simulación como en experimentos para la evaluación de riesgos operativos.
Este artículo presenta un método que utiliza los iones generados por la explosión de Coulomb inducida por láseres de rayos X para reconstruir con alta precisión la orientación de proteínas en fase gaseosa, mejorando significativamente la calidad de las reconstrucciones de densidad electrónica en comparación con las técnicas convencionales basadas únicamente en datos de difracción.
Este estudio establece dos leyes de potencia que cuantifican la reducción de la impedancia térmica en interfaces líquido/sólido basándose en el orden traslacional in-plane y la coincidencia de frecuencias vibracionales, proporcionando así un marco analítico para mejorar el enfriamiento de chips electrónicos de alto rendimiento.
Este artículo presenta un método de redes neuronales informadas por física (PINN) consciente de discontinuidades que, mediante la incorporación de una capa de incrustación de Fourier adaptativa, una red generalizada del teorema de representación de Kolmogorov, transformación de malla y viscosidad artificial aprendible, supera las limitaciones de precisión y estabilidad de las PINN tradicionales al resolver ecuaciones diferenciales parciales con transiciones espaciales abruptas y evoluciones temporales rápidas.
El marco de física diferenciable evoxels integra datos de microscopía 3D, simulaciones físicas, modelado inverso y aprendizaje automático en un enfoque unificado basado en vóxeles para acelerar el diseño inverso de materiales y comprender las relaciones entre proceso, estructura y propiedades.