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.
El artículo presenta PICS, un marco de solución certificado para ecuaciones diferenciales parciales acopladas que garantiza la admisibilidad estructural mediante una variedad de manifold estructurada y optimiza el entrenamiento mediante control de riesgo entrópico, logrando así recuperaciones cruzadas más precisas y equilibradas en simulaciones multiphísicas.
Este artículo propone modelos de difusión condicional de forma cerrada para la asimilación de datos, los cuales aprovechan la estimación de densidad por núcleos para evaluar analíticamente la función de puntuación y superan a los filtros de Kalman y de partículas en sistemas no lineales con distribuciones no gaussianas y tamaños de conjunto pequeños.
Este artículo demuestra que un operador neuronal de Fourier aprendido puede aproximar con precisión la propagación de ondas fotoacústicas y servir como un operador directo computacionalmente eficiente para resolver el problema inverso de la tomografía fotoacústica mediante un enfoque basado en gradientes.
El artículo presenta SPINONet, un operador neuronal inspirado en la neurociencia que utiliza neuronas de spiking para lograr una computación eficiente en energía y escalable en aplicaciones de mecánica computacional, manteniendo un rendimiento predictivo comparable a los métodos tradicionales mediante el aprendizaje de operadores informados por la física.
Este estudio demuestra mediante modelado analítico y simulaciones que la excitación resonante coherente de dos pulsos láser copropagantes en un plasma homogéneo puede amplificar la onda de estela hasta tres veces su intensidad original cuando la separación temporal entre los pulsos se ajusta a un cuarto de la longitud de onda del plasma.
Este artículo presenta una implementación unificada y heterogénea de la teoría del funcional de la densidad dependiente del tiempo en tiempo real (RT-TDDFT) basada en orbitales atómicos numéricos dentro del paquete ABACUS, la cual acelera significativamente los cálculos mediante una arquitectura de hardware híbrida CPU/GPU y demuestra una alta eficiencia paralela para simulaciones de dinámica electrónica a gran escala.
Este artículo presenta un método sistemático basado en mapeos exactos, expresiones de la Teoría de Conexiones Funcionales (TFC) e interpolaciones transfinidas para imponer condiciones de frontera de Dirichlet, Neumann y Robin de manera exacta en dominios con límites curvos complejos, garantizando la precisión de la máquina en problemas de aprendizaje automático para física.
Este trabajo presenta AMELI, un paquete de Python que utiliza aritmética exacta y un enfoque directo basado en determinantes de Slater para calcular con precisión absoluta los elementos de matriz angulares de iones de lantánidos, eliminando barreras teóricas para experimentalistas al proporcionar matrices universales independientes del entorno.
Este trabajo propone un método robusto y automatizado basado en el análisis de Fourier y la clasificación estadística para identificar y distinguir los estados quimera de otros patrones dinámicos en sistemas de osciladores acoplados, demostrando su eficacia en redes de señales topológicas y su generalidad frente a variaciones en la topología y los parámetros del sistema.
Este artículo presenta un método de corrección intermitente de bajo costo para ecuaciones de Euler unidimensionales que utiliza variables de Riemann diferenciadas y una actualización de Newton para recuperar precisiones cercanas a la de la máquina en problemas de larga duración como los de LeBlanc y expansión severa, superando drásticamente las limitaciones de las reconstrucciones estándar en mallas gruesas.