133 artículos
Este artículo propone una formulación más simple e intuitiva para la función de costo de los puntos calientes dentro del código optAPM, incorporando la pre-interpolación de datos de trayectorias para reducir errores de modelado y mejorar la precisión de las reconstrucciones del movimiento absoluto de las placas tectónicas.
Este trabajo propone un marco de computación general que utiliza un módulo de atención entrenable para aprender dónde y cómo medir sistemas físicos dinámicos, optimizando así la extracción de información y mejorando significativamente la precisión de las predicciones en sistemas caóticos.
Este trabajo presenta una extensión de dos niveles para el marco de simulación micromagnética mumax+ que integra acoplamientos coherentes y disipativos entre fotones de cavidad y magnones en ferromagnetos y antiferromagnetos, validando su capacidad para simular fenómenos cuánticos complejos mediante kernels CUDA y una clase de co-simulación en Python.
Este artículo propone un método numérico simple basado en el muestreo por transformación inversa para cargar distribuciones de tipo Maxwelliano relativista, utilizando una función aproximada e invertible de la distribución de energía desplazada para generar y convertir variates de energía en vectores de momento, demostrando mediante pruebas numéricas que el método reproduce con éxito la distribución deseada.
Este artículo presenta un esquema en el dominio del tiempo basado en el método de Galerkin discontinuo para calcular fuerzas de Casimir en diversas geometrías y materiales a temperatura finita, validando su precisión mediante comparaciones con soluciones analíticas y demostrando su utilidad para el diseño de dispositivos nanoscópicos.
Este artículo presenta un modelo sustituto basado en operadores de redes neuronales de Fourier (FNO) que predice con precisión y en tiempo real el transporte de protones y la producción de neutrones en terapia de protones, superando la lentitud computacional de los métodos de Monte Carlo tradicionales para facilitar la verificación de rango y la estimación de dosis.
Los autores presentan un nuevo método de gradiente modificado que elimina completamente el error de divergencia magnética en la magnetohidrodinámica sin malla mediante una proyección implícita, logrando resultados exactos y superando a técnicas existentes en precisión y reducción de disipación numérica.
Este artículo analiza la mayor sensibilidad a los hiperparámetros en las máquinas de Ising basadas en retroalimentación de medición en comparación con las versiones analógicas continuas y propone un método experimental para reducir dicha sensibilidad en estas arquitecturas.
Este trabajo presenta el desarrollo de un banco de datos diverso y dos potenciales interatómicos aprendidos por máquina (tabGAP y NEP) computacionalmente eficientes para simular aleaciones refractarias multicomponente, validando su utilidad mediante la reproducción de transiciones de fase, segregación de límites de grano y daños por radiación.
Se desarrolló un potencial interatómico de aprendizaje automático eficiente y preciso para los MXenes TiC, el cual se aplicó exitosamente en simulaciones de irradiación iónica para analizar la formación de defectos y establecer directrices para su ingeniería.
Mediante métodos de aprendizaje automático, este estudio revela que las paredes de dominio cargadas en monocapas de bismuto bidimensional son energéticamente favorables y albergan estados interfaciales topológicos con cruces de bandas accidentales en el nivel de Fermi, lo que las convierte en una plataforma prometedora para dispositivos basados en paredes de dominio ferroeléctrico.
El estudio presenta GET-SEI, un marco general basado en aprendizaje contrastivo de grafos y teoría de trayectorias de transición que descubre automáticamente entornos atómicos locales y cuantifica las rutas de transporte de litio en la interfaz de electrolitos sólidos para optimizar el rendimiento de las baterías.
El sistema de IA agéntica ChemNavigator descubre autónomamente seis reglas de diseño estadísticamente significativas y químicamente fundamentadas para fotocatalizadores orgánicos mediante un ciclo iterativo que integra razonamiento con modelos de lenguaje y cálculos computacionales, superando a los enfoques de aprendizaje automático anteriores al extraer principios estructurales complejos sin programación explícita.