🔬 Category

physics.comp-ph

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.

Cosserat micropolar and couple-stress elasticity models of flexomagnetism at finite deformations

Este artículo propone modelos continuos no lineales de flexomagnetismo basados en la teoría micropolar de Cosserat y la teoría de tensiones acopladas, los cuales introducen una interacción magneto-mecánica mediante un invariante de Lifshitz que acopla el tensor de micro-dislocación con el vector de magnetización, permitiendo describir materiales centrosimétricos y de simetría cúbica con un número reducido de constantes flexomagnéticas y validando su viabilidad física y computacional mediante resultados numéricos en una nano-viga.

Adam Sky, David Codony, Stephan Rudykh, Andreas Zilian, Stéphane P. A. Bordas, Patrizio Neff2026-03-17🔢 math-ph

Predicting the Thermal Conductivity Collapse in SWCNT Bundles: The Interplay of Symmetry Breaking and Scattering Revealed by Machine-Learning-Driven Quantum Transport

Este estudio combina potenciales neuroevolutivos basados en aprendizaje automático con la ecuación de transporte de Boltzmann para revelar que la ruptura de simetría rotacional y la aparición de nuevos canales de dispersión intertubulares, modelados correctamente mediante estadística cuántica de Bose-Einstein, son los mecanismos responsables del colapso de la conductividad térmica en haces de nanotubos de carbono de pared simple.

Feng Tao, Xiaoliang Zhang, Dawei Tang, Shigeo Maruyama, Ya Feng2026-03-17🔬 cond-mat.mes-hall

Assessing generative modeling approaches for free energy estimates in condensed matter

Este trabajo evalúa y compara diversas metodologías de modelado generativo, como flujos normalizantes y FEAT, para la estimación eficiente y precisa de diferencias de energía libre en sistemas de materia condensada, demostrando que pueden superar a los métodos tradicionales en términos de costo computacional y escalabilidad.

Maximilian Schebek, Jiajun He, Emil Hoffmann, Yuanqi Du, Frank Noé, Jutta Rogal2026-03-17🔬 cond-mat.mtrl-sci

Stable Differentiable Modal Synthesis for Learning Nonlinear Dynamics

Este trabajo presenta un modelo de síntesis modal diferenciable y estable que combina técnicas de variable auxiliar escalar con ecuaciones diferenciales ordinarias neuronales para aprender dinámicas no lineales, permitiendo la interpretación directa de parámetros físicos sin necesidad de codificadores y demostrando su eficacia mediante la síntesis de vibraciones no lineales en cuerdas.

Victor Zheleznov, Stefan Bilbao, Alec Wright, Simon King2026-03-17⚡ eess

Hadamard regularization of open quantum systems coupled to unstructured environments in the Schwinger-Keldysh formalism

Este artículo presenta un algoritmo de paso temporal basado en la regularización de Hadamard dentro del formalismo de Schwinger-Keldysh que permite resolver eficientemente las ecuaciones de Kadanoff-Baym para sistemas cuánticos abiertos, superando las limitaciones computacionales de escalado cúbico al capturar efectos no markovianos y de renormalización en escalas de tiempo separadas.

Jakob Dolgner2026-03-17⚛️ quant-ph

Distance learning from projective measurements as an information-geometric probe of many-body physics

Este artículo presenta un método de aprendizaje de distancias que utiliza un discriminador neuronal para inferir directamente divergencias estadísticas a partir de "instantáneas" de proyección en simuladores cuánticos, permitiendo identificar fases de la materia, calcular exponentes críticos y analizar clases de universalidad sin necesidad de aprendizaje de representaciones ni de parámetros de orden convencionales.

Oleksii Malyshev, Simon M. Linsel, Fabian Grusdt, Annabelle Bohrdt, Eugene Demler, Ivan Morera2026-03-17⚛️ quant-ph

A robust high-resolution algorithm for quadrature-based moment methods applied to high-speed polydisperse multiphase flows

Este artículo presenta un algoritmo Euleriano de alta resolución basado en momentos cuadráticos para simular flujos multifásicos granulares polidispersos de alta velocidad, el cual acopla ecuaciones de gas compresible con ecuaciones de momentos de masa cerradas mediante el método generalizado de cuadratura y resuelve las interacciones mediante esquemas de reconstrucción de alta resolución y problemas de Riemann desacoplados.

Jacob W. Posey, Rodney O. Fox, Ryan W. Houim2026-03-17🔬 physics

Hierarchy of extreme-event predictability in turbulence revealed by machine learning

Mediante el uso de un modelo de difusión condicional autoregresivo entrenado con simulaciones numéricas directas, este estudio revela que la predictibilidad de los eventos extremos en la turbulencia de Kolmogorov sigue una jerarquía dependiente del estado, donde la persistencia de estructuras coherentes a gran escala y la vida útil de núcleos de deformación intensos determinan los horizontes de predicción individuales.

Yuxuan Yang, Chenyu Dong, Gianmarco Mengaldo2026-03-17🌀 nlin