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 presenta un método de optimización basado en gradientes que utiliza una estimación Gumbel-Softmax de paso directo para permitir la diferenciación eficiente a través de simulaciones estocásticas exactas, logrando así una inferencia de parámetros robusta y un diseño inverso en sistemas de dinámica de Markov de tiempo continuo.
Este artículo propone TAPINN, un enfoque de redes neuronales informadas por física que utiliza regularización métrica supervisada y optimización alterna para mitigar el sesgo espectral y el colapso de modos en sistemas dinámicos con transiciones de régimen abruptas, logrando una mayor precisión física y estabilidad en comparación con los métodos estándar.
El estudio concluye que, aunque las Redes Kolmogorov-Arnold (KAN) son competitivas en residuos polinómicos univariados, su inestabilidad hiperparamétrica y su fallo sistemático en términos multiplicativos y configuraciones profundas las hacen inferiores a las MLP estándar para la recuperación de términos desconocidos en sistemas oscilatorios con restricciones físicas.
Este estudio presenta la primera comparación sistemática de siete códigos hidrodinámicos que demuestran un acuerdo cualitativo en el comportamiento de la inestabilidad de corriente, aunque revelan variaciones cuantitativas significativas en las densidades máximas dependiendo del tratamiento del polvo (partículas frente a fluido) y de la resolución, además de destacar la superior eficiencia energética y escalabilidad de las implementaciones en GPU.
Este estudio presenta un marco de diseño inverso que combina algoritmos genéticos y simulaciones micromagnéticas en el dominio de la frecuencia para optimizar cristales magnónicos bidimensionales, logrando descubrir estructuras de red no convencionales con grandes bandas prohibidas magnónicas.
Este estudio presenta a Ara, un agente impulsado por un modelo de lenguaje grande que acelera significativamente el descubrimiento de marcos orgánicos covalentes (COFs) fotocatalíticos duraderos y estables al navegar eficientemente un vasto espacio de diseño químico para superar la compensación tradicional entre actividad y estabilidad frente a la hidrólisis.
Este estudio extiende la teoría de la relajación espín-red a procesos de tres fonones en un complejo de nitruro de cromo, demostrando que, aunque estos efectos son despreciables a temperaturas experimentales en este sistema, su validación confirma la suposición de acoplamiento débil y establece las bases para explorar regímenes de acoplamiento fuerte en materiales moleculares.
Este artículo presenta un método de elementos de contorno de Galerkin en el dominio del tiempo espacio-tiempo para la simulación eficiente y estable de la dispersión y el blindaje acústico en fuentes aeroacústicas complejas, validando su precisión mediante casos analíticos y su concordancia con mediciones experimentales en un caso práctico de hélice montada en el borde de fuga.
Este artículo presenta el conjunto de datos OPoly26, que incluye más de 6,57 millones de cálculos de teoría del funcional de la densidad (DFT) en sistemas poliméricos, para superar la falta de datos en el campo y mejorar el rendimiento de los modelos de aprendizaje automático destinados a predecir propiedades de polímeros y avanzar hacia modelos atómicos universales.
Los autores proponen un marco generativo impulsado por la simetría que combina modelos de lenguaje grandes y una búsqueda heurística de haz de complejidad lineal para predecir estructuras cristalinas novedosas y físicamente válidas directamente a partir de la composición química, superando así los cuellos de botella combinatorios y la dependencia de bases de datos existentes.