917 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 demuestra que la inferencia basada en simulaciones (SBI) es una herramienta eficaz para estimar parámetros de modelos de interacción neutrino-núcleo, logrando un ajuste mejorado en datos experimentales y una aproximación razonable a simulaciones alternativas como NuWro.
Este artículo presenta un marco de Ecuaciones Diferenciales con Retardo Neuronales (NDDEs) inspirado en el formalismo Mori-Zwanzig para aprender dinámicas no markovianas a partir de datos de sistemas parcialmente observables, demostrando un rendimiento superior frente a métodos existentes como las redes LSTM y las ANODEs.
Este trabajo extiende la Teoría de Medios Porosos para modelar la inyección de cemento acrílico en vértebras bajo condiciones no isotérmicas, incorporando balances de energía y relaciones constitutivas que garantizan consistencia termodinámica y comportamientos físicamente razonables en simulaciones numéricas.
Este artículo presenta un nuevo algoritmo de Monte Carlo para problemas de transporte de partículas dependientes del tiempo que utiliza ventanas de peso globales automáticas, definidas mediante la solución de un problema auxiliar híbrido (Monte Carlo/determinista) basado en ecuaciones de segundo momento de bajo orden, para lograr una distribución uniforme de partículas y mejorar la eficiencia computacional.
Este estudio presenta un modelo sustituto de inteligencia artificial basado en operadores neuronales informados por física (PINO) que acelera más de 10.000 veces el análisis de retención de datos en NAND vertical ferroeléctrica (Fe-VNAND) en comparación con las herramientas TCAD tradicionales, manteniendo la precisión física necesaria para la optimización de dispositivos.
Este trabajo demuestra que el aprendizaje automático del matriz de densidad reducida de dos electrones (2-RDM) permite desarrollar modelos precisos que ofrecen acceso directo a energías y fuerzas con calidad de método acoplado de clúster para sistemas complejos, como la glucosa en solución, a un costo computacional comparable al de Hartree-Fock.
Este trabajo presenta arquitecturas de Mezcla de Expertos (MoE) y Mezcla de Expertos Lineales (MoLE) para Potenciales Interatómicos de Aprendizaje Automático que, mediante activación dispersa y enrutamiento por elemento, logran un rendimiento superior y una especialización química interpretable, estableciendo nuevos estándares de precisión en múltiples benchmarks.
El artículo introduce el Retículo Estocástico Planar Ponderado Poroso (WPSPL), un sustrato multifractal y libre de escala, y demuestra mediante percolación de enlaces que su desorden geométrico y porosidad generan una familia de clases de universalidad distintas con exponentes críticos que varían continuamente, desafiando el comportamiento crítico convencional de las redes bidimensionales.
Este estudio demuestra que las características macroscópicas del flujo bifásico en medios porosos pueden predecirse mapeando la distribución de gotas a un modelo de vidrio de espines mediante el principio de máxima entropía y aprendizaje automático, revelando una transición de fase análoga donde el régimen de vidrio de espines coincide con un estado de flujo dinámico caracterizado por histéresis y fluctuaciones no lineales.
Este artículo presenta NATPS, un nuevo método que combina la dinámica MASH reversible en el tiempo con el muestreo de trayectorias de transición para simular eficientemente eventos no adiabáticos raros en fotoquímica, reduciendo significativamente el costo computacional en comparación con enfoques tradicionales.