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.
Este trabajo extiende el enfoque de retroflujo de redes neuronales (NNBF) a materiales sólidos *ab-initio* mediante una estrategia de poda de dos etapas que optimiza la eficiencia y la precisión, logrando resultados de vanguardia en cadenas de hidrógeno, grafeno y silicio.
Este artículo presenta una demostración totalmente reproducible de un flujo de trabajo científico asistido por IA, que utiliza problemas de referencia canónicos en física y matemáticas para validar que la inteligencia artificial puede actuar como un copiloto útil y confiable en la derivación, implementación y preparación de manuscritos científicos, siempre que sus resultados sean estrictamente verificados mediante teoría de referencia y artefactos transparentes.
El estudio demuestra que una red hipotética de sensores de presión en el lecho marino, combinada con un marco de inferencia bayesiana que separa el procesamiento en fases offline y online, permite realizar pronósticos probabilísticos de tsunamis en tiempo real con alta precisión en la zona de subducción de Cascadia, superando las limitaciones actuales de observación.
Este estudio propone un nuevo marco de autoencoder convolucional y ecuaciones diferenciales neuronales (CAE-NODE) que logra un modelo de orden reducido preciso y eficiente para la simulación de la dinámica transitoria de llamas contraflujo bidimensionales, capturando con alta fidelidad procesos complejos como la ignición y la propagación de la llama con errores relativos inferiores al 2%.
El artículo presenta ANNA, una caja de herramientas en MATLAB y Octave que calcula el ruido newtoniano generado por ondas sísmicas en el suelo para el observatorio Einstein Telescope mediante un enfoque de elementos finitos eficiente y físicamente consistente, el cual ha sido validado con soluciones analíticas.
El artículo propone un método post-hoc ligero que utiliza diferencias finitas para generar estimaciones de error puntuales en las predicciones de las redes neuronales informadas por física (PINNs) sin necesidad de conocer la solución verdadera, mejorando así la confianza y la interpretabilidad de estos modelos.
Este artículo presenta un nuevo operador neuronal híbrido llamado WGNO, junto con redes neuronales informadas por física (PINNs), para simular con alta precisión y eficiencia la difracción de ondas electromagnéticas EUV en máscaras de litografía, logrando tiempos de predicción significativamente reducidos y una excelente capacidad de generalización en comparación con los solucionadores numéricos tradicionales.
DRIFT-Net es una nueva arquitectura de operador neuronal que mejora la eficiencia y precisión en la resolución de EDPs mediante un diseño de doble rama que combina información espectral global y detalles espaciales locales, superando a los modelos basados en atención en benchmarks de Navier-Stokes al reducir el error y la acumulación de desviación.
Este artículo establece leyes de escala empíricas que revelan que las redes neuronales informadas por física de una sola capa sufren de patologías de optimización dules, donde el error de solución no disminuye con el ancho de la red y se ve exacerbado por la no linealidad debido al sesgo espectral, demostrando que la optimización, y no la capacidad de aproximación, es el principal cuello de botella.
Este estudio presenta las primeras simulaciones turbulentas integrales de tipo full-f cinética de deriva y delta-f girocinética en un dispositivo de plasma lineal, demostrando que bajo las condiciones del LAPD los campos de pequeña escala no afectan a los de gran escala, mientras que la reducción de la colisionalidad y el aumento de las fuentes pueden amplificar estructuras turbulentas impulsadas principalmente por inestabilidades de Kelvin-Helmholtz.