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 una encuesta comparativa de 35 paquetes de software del Grupo de Renormalización de la Matriz de Densidad (DMRG), identificando una redundancia significativa en sus funciones y argumentando que la falta de estandarización y modularidad es un desafío social más que técnico, con el objetivo de fomentar la colaboración y la interoperabilidad para abordar problemas más complejos.
Este trabajo presenta PHLieNet, un marco basado en hiperredes que aprende una representación latente de los parámetros del sistema para generar dinámicamente los pesos de una red de predicción, logrando así una generalización superior y una interpolación suave entre distintos regímenes paramétricos en sistemas dinámicos complejos.
Mediante cálculos de primeros principios, este estudio diseña y evalúa una serie de monocapas M2A2Z4 de ocho capas atómicas, identificando a Al2Si2N4 y Al2Ge2N4 como fotocatalizadores estables y eficientes para la descomposición global del agua, cuya actividad se ve potenciada significativamente mediante la introducción de vacantes de nitrógeno.
Este artículo presenta y valida un nuevo modelo macroscópico tridimensional de dinámica de fluidos computacional que integra la ocupación de poros para simular con precisión la adsorción de CO₂ en lechos empacados, demostrando que un diseño geométrico optimizado con mayor superficie mejora la productividad de los procesos de separación de gases.
El artículo presenta GPU-MetaD, un paquete de simulación de metadinámica acelerado por GPU que integra potenciales de aprendizaje automático para lograr un rendimiento superior y permitir el muestreo de eventos raros a nivel de *ab-initio* en sistemas de millones de átomos, revelando así un nuevo mecanismo de nucleación en el nitruro de galio.
Este trabajo evalúa el método de Boltzmann en retícula como una alternativa numérica en el dominio del tiempo para la dispersión de ondas electromagnéticas, demostrando mediante comparaciones con soluciones analíticas y semianalíticas su alta precisión en diversos casos de prueba que incluyen cilindros, esferas y geometrías no circulares.
Este artículo presenta procedimientos numéricos y recetas para generar diversas distribuciones de velocidad no maxwellianas en simulaciones de partículas, abarcando desde distribuciones y kappa hasta anillos, capas y super-Gaussianas.
Este artículo presenta un agente de aprendizaje por refuerzo basado en representaciones de grafos geométricos que logra optimizar de manera eficiente y transferible el ordenamiento atómico en nanopartículas de aleación bimetálica, demostrando su capacidad para encontrar estados fundamentales conocidos y generalizar a tamaños no vistos, aunque con limitaciones en sistemas multielementales.
Este trabajo propone un marco escalable que aprende la dinámica macroscópica de sistemas estocásticos complejos utilizando únicamente simulaciones de sistemas pequeños, mediante un esquema de evolución parcial y un muestreo jerárquico, demostrando su eficacia en diversos sistemas físicos que van desde ecuaciones diferenciales estocásticas hasta aleaciones metálicas realistas.
Este estudio analiza cómo la incertidumbre en los modelos de poblaciones de binarias compactas y las ecuaciones de estado afecta la clasificación de objetos en el "hueco de masa inferior", revelando que la probabilidad de identificar componentes como estrellas de neutrones varía significativamente según los parámetros poblacionales, lo que limita la fiabilidad de estas clasificaciones en eventos futuros.