1229 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 computacional multiescala basado en el Método Multiescala Heterogéneo Lagrangiano que vincula la microestructura de adhesivos sensibles a la presión con sus propiedades macroscópicas, permitiendo predecir su comportamiento mecánico y optimizar su diseño mediante la simulación de redes poliméricas con enlaces rompibles.
Este estudio demuestra que la ingeniería de terminación con nitrógeno en la interfaz Cu/diamante, mediante el uso de potenciales interatómicos de aprendizaje automático, mejora la conductancia térmica interfacial en un 21% al modular selectivamente el transporte de fonones y regular los enlaces químicos, ofreciendo una estrategia efectiva para la refrigeración electrónica sin los problemas de grafitización asociados a los recubrimientos metálicos.
Este estudio presenta un algoritmo novedoso basado en teoría de grafos que permite la segmentación precisa y la medición de celdas de detonación a partir de trazas de presión en 3D, superando las limitaciones de los métodos manuales y bidimensionales tradicionales.
Los autores proponen un algoritmo cuasiestático libre de malla implementado en el código Wake-T que permite simular de manera eficiente y precisa las estelas de plasma axiales sin necesidad de una red numérica, reduciendo drásticamente los costos computacionales para el diseño de futuros aceleradores de plasma.
Este artículo presenta un procedimiento de posprocesamiento de bajo costo que reconstruye la geometría de ondas subcelulares en simulaciones de Euler unidimensionales utilizando variables de Riemann diferenciadas, logrando una precisión extrema en la localización de ondas y un afilado de contactos que supera a métodos existentes como MUSCL-THINC-BVD y WENO-Z-THINC-BVD.
Este estudio valida un modelo numérico basado en redes neuronales que estima directamente el volumen de agua en un reservorio poroso a partir de datos sísmicos, utilizando datos experimentales de un sitio en Laukaa, Finlandia, para mejorar la gestión sostenible de las aguas subterráneas.
Este trabajo presenta SympFlow, una red neuronal simplectica dependiente del tiempo basada en mapas de flujo hamiltoniano que garantiza la conservación de la estructura simplectica y la energía, permitiendo tanto la aproximación continua de sistemas hamiltonianos conocidos como el descubrimiento de sistemas desconocidos a partir de datos de trayectorias.
Los autores desarrollan un marco estadístico basado en la mecánica cuántica para cerrar ecuaciones diferenciales parciales que modelan dinámicas espacio-temporales, aplicándolo exitosamente a las ecuaciones de aguas poco profundas para predecir con precisión características dinámicas clave, incluso en condiciones iniciales no vistas.
El artículo presenta Aitomia, una plataforma impulsada por inteligencia artificial que democratiza y acelera la investigación en simulaciones atómicas y químicas cuánticas mediante agentes autónomos que facilitan la configuración, ejecución y análisis de cálculos tanto para expertos como para no expertos.
Los autores presentan un enfoque novedoso que combina descriptores específicos para acoplamientos no adiabáticos y un procedimiento de corrección de fase para lograr una precisión sin precedentes en el aprendizaje automático de estos vectores, permitiendo simulaciones dinámicas FSSH totalmente impulsadas por ML que describen con exactitud la desintegración del estado en fulveno.