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 propone un modelo computacional multiphysics para el Reactor de Sales Fundidas de Espectro Rápido (MSFR) que integra el código de alta fidelidad Cardinal (basado en MOOSE y NekRS) con el Método de la Matriz de Fisión para resolver las ecuaciones de neutrones de manera rápida y precisa, aprovechando la precalibración mediante simulaciones Monte Carlo.
El artículo presenta Scale-PINN, un algoritmo de corrección secuencial que integra principios numéricos en redes neuronales informadas por física para lograr una convergencia exponencialmente más rápida y una mayor precisión, facilitando así su adopción práctica en aplicaciones científicas y de ingeniería.
Este artículo propone un método de estimación bayesiana para evaluar la precisión de la posición espectral en la espectroscopía Mössbauer basada en radiación de sincrotrón, permitiendo seleccionar la ventana de medición óptima y logrando una mejora de más de tres veces en la precisión de los desplazamientos centrales en comparación con el ajuste convencional mediante funciones lorentzianas.
Este trabajo presenta un enfoque basado en aprendizaje por refuerzo para caracterizar y emular el ruido en chips cuánticos, ofreciendo una mayor flexibilidad que las técnicas convencionales y validando su eficacia mediante simulaciones y pruebas en qubits superconductores reales.
Este trabajo presenta una técnica novedosa para la estimación amortizada de posteriores multimodales mediante flujos normalizadores entrenados con muestreo de importancia ponderado por verosimilitud, demostrando que inicializar el flujo con un modelo de mezcla gaussiana que coincida con la cardinalidad de los modos objetivo es crucial para evitar puentes de probabilidad espurios y mejorar la fidelidad de la reconstrucción en problemas inversos de alta dimensión.
Este trabajo presenta un clasificador de jets de quark top basado en una arquitectura EfficientNet ligera y escalable combinada con características globales, que logra un rendimiento competitivo con un coste computacional significativamente menor en comparación con los modelos basados en Transformers o Redes Neuronales de Grafos.
El artículo presenta MAD-SURF, un potencial interatómico basado en aprendizaje automático diseñado para simular con alta precisión y eficiencia computacional la adsorción molecular en superficies de metales nobles, superando las limitaciones de costo de los métodos de primeros principios.
El artículo demuestra que el marco de homogeneización Young-measure aplicado a la ecuación de transferencia radiativa genera soluciones con una descomposición en tren de tensores de rango bajo y acotado, lo que permite una representación espectralmente fiel y computacionalmente eficiente que supera significativamente a los métodos aproximados existentes.
Este estudio presenta una teselación de superficie armónica de orden superior optimizada mediante fabricación aditiva que, aunque incrementa la caída de presión, logra una efectividad térmica hasta un 70% mayor y supera al diseño de superficie TPMS tipo giroide en régimen turbulento al priorizar la frecuencia de la onda secundaria sobre su amplitud.
El artículo presenta PINEAPPLE, un marco innovador que combina redes neuronales informadas por física con un algoritmo de evolución para inferir de manera rápida, precisa y no destructiva los parámetros internos y la degradación de electrodos de baterías de iones de litio utilizando únicamente curvas de voltaje-tiempo.