1231 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 una reformulación estocástica del marco AMIAS/RISE para la tomografía de emisión que utiliza el muestreo Hamiltoniano para generar conjuntos de imágenes, permitiendo cuantificar la incertidumbre y validar modelos físicos más allá de las reconstrucciones puntuales tradicionales.
El artículo presenta ANNA, una caja de herramientas en MATLAB y Octave que calcula el ruido newtoniano generado por ondas sísmicas en el suelo para el observatorio Einstein Telescope mediante un enfoque de elementos finitos eficiente y físicamente consistente, el cual ha sido validado con soluciones analíticas.
Este artículo presenta una prueba de concepto para un sistema automatizado de optimización de bobinas de stellarator que integra cálculos de elementos finitos en el bucle, automatiza todo el flujo de trabajo mediante algoritmos genéticos o modelos de lenguaje, y publica los resultados en una tabla de clasificación de código abierto.
El artículo presenta UniMatSim, un marco de automatización modular en Python que integra potenciales interatómicos de aprendizaje automático universales para estandarizar y optimizar flujos de trabajo de alto rendimiento en la simulación y descubrimiento de materiales, demostrando su eficacia mediante la identificación de candidatos estables en redes de Lieb bidimensionales.
Este estudio de primeros principios mediante teoría del funcional de la densidad respalda el desarrollo de defectos puntuales de erbio en 4H-SiC como una plataforma escalable para dispositivos cuánticos, facilitando la transición entre la física cuántica y la realización práctica de redes cuánticas.
Este tutorial integral presenta el método de Monte Carlo variacional basado en redes neuronales artificiales, detallando sus fundamentos matemáticos e históricos y demostrando su aplicación mediante ejemplos en física química, desde potenciales unidimensionales hasta las moléculas más simples como el ion y la molécula de hidrógeno.
El artículo propone un método post-hoc ligero que utiliza diferencias finitas para generar estimaciones de error puntuales en las predicciones de las redes neuronales informadas por física (PINNs) sin necesidad de conocer la solución verdadera, mejorando así la confianza y la interpretabilidad de estos modelos.
Este artículo presenta un nuevo operador neuronal híbrido llamado WGNO, junto con redes neuronales informadas por física (PINNs), para simular con alta precisión y eficiencia la difracción de ondas electromagnéticas EUV en máscaras de litografía, logrando tiempos de predicción significativamente reducidos y una excelente capacidad de generalización en comparación con los solucionadores numéricos tradicionales.
Esta perspectiva argumenta que las redes de tensores informadas por principios físicos, tanto a través de simetrías como de estrategias complementarias, ofrecen estrategias unificadoras para lograr simulaciones cuánticas, computación y aprendizaje automático escalables y eficientes.
Este trabajo presenta RadField3D, una aplicación de simulación Monte Carlo basada en Geant4 y un formato de datos rápido con API en Python, diseñados para generar conjuntos de datos tridimensionales de campos de radiación que faciliten la investigación de métodos de simulación alternativos mediante aprendizaje profundo en dosimetría de protección radiológica.