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 presenta un marco de aprendizaje variacional donde pequeñas redes neuronales adquieren intuición física al generalizar con precisión a partir de pocas observaciones, un fenómeno explicado por una teoría unificada que vincula la generalización robusta a la aproximación de una variedad de soluciones donde el operador de Euler-Lagrange es estacionario.
El artículo presenta el Método de Energía Profunda Extendido (XDEM), un marco unificado de aprendizaje profundo que supera las limitaciones de los métodos existentes al integrar modelos de fractura discretos y continuos, logrando predicciones precisas y eficientes con puntos de colocación uniformes y dispersos.
Este artículo de perspectiva propone un marco unificado basado en codificaciones de bloques y transformaciones polinómicas para desarrollar métodos de ciencia computacional cuántica escalables que conecten el desarrollo algorítmico teórico con aplicaciones prácticas en química, física y optimización.
Este artículo presenta la implementación de fuerzas atómicas analíticas dentro de la aproximación de fase aleatoria (RPA) y su extensión RPAx, demostrando que estos métodos mejoran sistemáticamente los resultados de la DFT estándar y ofrecen una precisión comparable a los métodos avanzados de función de onda para geometrías y frecuencias vibracionales en moléculas y sólidos.
Este artículo presenta una forma de corrección de flujo para el esquema de borde de tercer orden que permite utilizar funciones de flujo numérico generales sin pérdida de precisión, demostrando mediante resultados numéricos que se mantiene la exactitud de tercer orden en mallas tetraédricas irregulares.
Este estudio presenta un marco escalable para tareas de clasificación que utiliza redes de osciladores caóticos acoplados, donde un red neuronal aprende a ajustar los términos de acoplamiento para generar resonancias locales que procesan los datos, evitando así la necesidad de diseñar manualmente las interacciones y facilitando la optimización mediante gradientes.
Este artículo presenta un algoritmo de Monte Carlo libre de rechazos que combina el método BKL con probabilidades de Glauber y contadores probabilísticos jerárquicos para simular eficientemente el modelo de Ising en campo aleatorio bidimensional, logrando aceleraciones de más de dos órdenes de magnitud frente al algoritmo de Metropolis en regímenes de baja temperatura y permitiendo una dinámica fiel en sistemas desordenados.
El estudio demuestra que las Máquinas de Aprendizaje Extremo Cuántico mejoran significativamente la caracterización de dinámicas no markovianas al incorporar memoria temporal en sus características, revelando que los efectos de memoria ambiental son un recurso constructivo para el aprendizaje, a diferencia de la mera adición de observables.
Este artículo presenta el algoritmo GLHS, un método híbrido que integra modelos de sustitución globales y locales mediante un muestreo adaptativo en una zona de amortiguación alrededor de la superficie de estado límite, para estimar con precisión y bajo costo computacional la probabilidad de fallos raros en sistemas complejos de alta dimensión.
Este estudio demuestra que los grafos de visibilidad construidos a partir de series temporales de modelos de espín, junto con el análisis de sus arborescencias y propiedades espectrales, permiten identificar con precisión transiciones de fase continuas y efectos de cruce, ofreciendo una metodología aplicable a sistemas complejos empíricos donde el hamiltoniano es desconocido.