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 e implementa en LAMMPS un esquema de integración numérica reversible y conservador de energía para las ecuaciones de movimiento de Sllod, demostrando que su adopción es crucial para eliminar errores sistemáticos en la viscosidad calculada y mejorar la precisión de las simulaciones de flujo homogéneo, especialmente a altas tasas de deformación.
Este artículo presenta un sustituto profundo mejorado por física (PEDS) que combina un solver de Fourier diferenciable con una red neuronal y aprendizaje activo, logrando una alta precisión y eficiencia en datos para la optimización inversa del transporte de fonones en nanoescala con solo 300 simulaciones de alta fidelidad.
Este estudio utiliza simulaciones numéricas directas de turbulencia isotrópica forzada para analizar las funciones de estructura de velocidad lagrangiana, revelando que el comportamiento observado está influenciado significativamente tanto por el rango limitado de escalas temporales como por los efectos de los desplazamientos de las partículas, los cuales combinan contribuciones convectivas y locales que se cancelan parcialmente.
Este artículo presenta un marco de diseño inverso basado en aprendizaje automático que optimiza sistemáticamente la forma de cavidades de microondas tridimensionales para maximizar la helicidad electromagnética, identificando principios físicos de diseño y garantizando la robustez frente a variaciones de fabricación.
Este estudio demuestra por primera vez que el uso de trenes tensoriales (TT) para representar manifiestos de llama inestables de alta dimensión (UFPV) en dinámica de fluidos computacional reduce drásticamente el uso de memoria y acelera la muestreo hasta 2.4 veces, manteniendo la precisión y siendo una alternativa escalable a los enfoques basados en aprendizaje automático.
El artículo presenta SimulCost, el primer benchmark y toolkit de código abierto diseñado para evaluar y optimizar el uso de agentes LLM en simulaciones físicas considerando tanto la precisión como los costos computacionales, revelando que, aunque los modos de múltiples rondas mejoran la precisión, los LLMs siguen siendo menos eficientes y más lentos que los métodos tradicionales de escaneo.
Este trabajo presenta un marco unificado de aprendizaje automático que combina potenciales interatómicos aprendidos por máquina con la teoría funcional de la densidad clásica neuronal para modelar ab initio las propiedades termodinámicas y de fase de líquidos como el agua y el dióxido de carbono a través de múltiples escalas, superando las limitaciones computacionales de las simulaciones moleculares tradicionales.
Este artículo presenta un método de Descomposición Ortogonal Localizada (LOD) para la ecuación de Schrödinger no lineal dependiente del tiempo con operador de onda en dos dimensiones, demostrando que preserva las leyes de conservación, garantiza una solución única y logra estimaciones de error superconvergentes óptimas en sin restricciones en el paso de tiempo, todo ello respaldado por simulaciones numéricas.
Este estudio presenta un conjunto de referencia unificado para problemas de flujo electrohidrodinámico bidimensional con características de choque, demostrando que la arquitectura LSTM-PINN supera a otros métodos basados en redes neuronales al resolver con precisión las fuertes no linealidades y estructuras multiescala de estos sistemas complejos.
Este artículo investiga la evolución de la conductividad Hall anómala en sistemas altermagnéticos mediante un modelo de enlace fuerte y análisis de simetría, distinguiendo entre los efectos Hall anómalo y cristalino y revelando una simetría rotacional oculta que protege la equivalencia de los componentes de conductividad ortogonales.