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 trabajo introduce el muestreo difuso, un método de postprocesamiento eficiente y riguroso que elimina las patologías estadísticas causadas por nodos y desajustes de soporte en el Monte Carlo Variacional (VMC) y su versión dependiente del tiempo (t-VMC), permitiendo así optimizaciones estables y simulaciones de dinámica de espín a gran escala sin modificar los muestreadores subyacentes.
Este trabajo presenta un solver híbrido cuántico-clásico que combina el algoritmo HHL con una tomografía de estado cuántico aproximada para resolver las ecuaciones de Navier-Stokes incompresibles, demostrando mediante simulaciones en el marco de Qiskit que este enfoque captura con precisión la dinámica de vórtices en problemas de referencia como el flujo de cavidad y el vórtice de Taylor-Green.
Este trabajo propone y demuestra una estrategia de optimización de circuitos fotónicos que aumenta la probabilidad de éxito en la generación de estados cuánticos no gaussianos al permitir que un mismo circuito produzca estados útiles a través de múltiples patrones de medición, en lugar de limitarse a un único resultado objetivo.
Este artículo propone una estrategia de adaptación de malla basada en wavelets de alto orden que utiliza extrapolación polinómica unidimensional para tratar consistentemente geometrías sumergidas complejas y móviles, permitiendo una refinación de cuadrícula robusta y predecible en la resolución de ecuaciones diferenciales parciales.
Mediante simulaciones numéricas directas, este estudio demuestra que los efectos termodifusivos en llamas turbulentas de hidrógeno alteran significativamente la dinámica de la superficie de la llama y las fluctuaciones de la tasa de liberación de calor, intensificando la radiación acústica a bajas frecuencias mediante el estiramiento de la llama y la inestabilidad de la capa de corte.
El artículo argumenta que para lograr una ventaja cuántica real en química computacional, los algoritmos deben evolucionar más allá de resolver solo problemas de correlación fuerte específicos y adaptarse para integrarse en flujos de trabajo de alto rendimiento que realicen cálculos rutinarios en moléculas arbitrarias, ofreciendo así un valor tangible a la sociedad.
Este artículo presenta un método numérico estable y rápido para resolver problemas de dispersión acústica multicuerpo, el cual combina la simplicidad de implementación del método de soluciones fundamentales (MFS) para cálculos locales con un sistema global bien condicionado que permite el uso eficiente de solvers iterativos acelerados.
Este estudio predice teóricamente la existencia de nanotubos de fosfuro de carbono () estables a temperatura ambiente que albergan una combinación intrínseca y rara de fermiones de Dirac y bandas planas en el nivel de Fermi, ofreciendo una plataforma versátil y sintonizable mediante tensión para fenómenos cuánticos correlacionados y aplicaciones en espintrónica.
El artículo presenta las Redes Neuronales de Campo Efectivo (EFNN), una arquitectura inspirada en la renormalización que supera a los modelos estándar y logra una generalización precisa en sistemas de muchos cuerpos de mayor tamaño sin entrenamiento adicional, capturando así la física subyacente con una eficiencia computacional superior.
Este estudio utiliza el Desequilibrio de Información para demostrar que la información semántica converge entre idiomas y modalidades en modelos profundos, revelando que la predictibilidad direccional depende de la profundidad de las capas, la escala del modelo y el idioma, y que modelos masivos entrenados por separado pueden superar a los multimodales conjuntos en alineación semántica.