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 nuevo algoritmo basado en la teoría espectral y la geometría que, mediante el uso de curvaturas y verificación explícita, resuelve en tiempo polinomial determinista todos los casos de isomorfismo de grafos probados, incluidos aquellos desafiantes para las técnicas espectrales clásicas.
Este artículo presenta un análisis exhaustivo de la inestabilidad de Kelvin-Helmholtz en plasmas con presión anisotrópica mediante el modelo CGL, revelando que, en comparación con el límite de magnetohidrodinámica (MHD), la formación de islas magnéticas, las corrientes eléctricas y la intermitencia son menos pronunciadas debido a que parte de la energía se consume en generar anisotropías de presión en lugar de doblar las líneas del campo magnético.
El artículo presenta Neural-POD, un marco de operador neuronal plug-and-play que aprende funciones base ortogonales no lineales e invariantes a la resolución directamente en el espacio de funciones, superando las limitaciones de discretización de los modelos de IA para la ciencia y mejorando la generalización en sistemas complejos como las ecuaciones de Burgers y Navier-Stokes.
Mediante el uso de potenciales de aprendizaje automático y simulaciones de dinámica molecular, este estudio revela los mecanismos de deformación anisotrópica y la respuesta compresiva del aleación NbTaTiZr bajo condiciones extremas, identificando cómo la orientación cristalina, la tasa de deformación y la composición influyen en su resistencia y transiciones estructurales para guiar el diseño de superaleaciones refractarias.
Este trabajo presenta un marco de reconstrucción inversa que, al integrar la teoría de dispersión y aproximaciones de medios efectivos no lineales, permite determinar de manera robusta la permitividad compleja efectiva y diagnosticar la microestructura topológica de composites ópticos heterogéneos a partir de un único espectro de extinción infrarroja.
Este trabajo presenta un marco analítico exacto para la separación del movimiento del centro de masas y relativo en excitones magnéticos bidimensionales anisotrópicos, demostrando mediante su aplicación al fosforeno y al trisulfuro de titanio que la anisotropía de masa genera acoplamientos dependientes de la dirección que influyen significativamente en la respuesta magnética y los niveles de energía, superando las limitaciones de las aproximaciones tradicionales.
Este estudio presenta una plataforma web interactiva desarrollada en el St. Xavier's College de Kolkata que replica los laboratorios de física para preparar a los estudiantes de pregrado, demostrando mediante encuestas que su uso mejora significativamente la comprensión conceptual y la confianza en los experimentos físicos.
Este trabajo presenta GABI, un marco de aprendizaje automático que utiliza autoencoders geométricos para construir priores generativos condicionados a la geometría y permitir una cuantificación de incertidumbre robusta y adaptativa en problemas de inversión bayesiana de sistemas físicos con geometrías complejas, sin requerir conocimiento de las ecuaciones gobernantes.
Este trabajo evalúa la precisión del potencial interatómico de aprendizaje automático universal UMA para 25 dopantes en MoS2, demostrando su capacidad para simular fenómenos complejos como la fractura y difusión a un costo computacional reducido y estableciendo un flujo de trabajo para el diseño de alto rendimiento de materiales dopados.
El artículo presenta MDIntrinsicDimension, un paquete de código abierto en Python que estima la dimensión intrínseca de trayectorias de dinámica molecular para analizar las fluctuaciones conformacionales y la flexibilidad local de macromoléculas mediante descriptores invariantes y estimadores avanzados.