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 elementos finitos mejorado con una descomposición en wavelets adaptadas al operador que desacopla los niveles de resolución para resolver problemas electromagnéticos multiescala con alta precisión y complejidad computacional casi lineal, evitando el sobrecálculo de soluciones en niveles más gruesos.
Este artículo presenta y valida un método de red de Boltzmann regularizado recursivo basado en una formulación de doble distribución y una expansión de Hermite de cuarto orden, diseñado para simular flujos magnetohidrodinámicos incompresibles con mayor estabilidad numérica y precisión isotrópica.
Este estudio demuestra que utilizar perfiles de temperatura derivados de simulaciones multiphysics de alta fidelidad, en lugar de perfiles uniformes, para construir bases de datos del método de la matriz de fisión en un reactor de sales fundidas, mejora significativamente la precisión de los resultados en el factor de multiplicación y la distribución de la fuente de fisión.
Este trabajo propone un marco de aprendizaje automático centrado en operadores que utiliza el potencial externo nuclear como entrada para construir representaciones jerárquicas y equivariantes, permitiendo predecir propiedades moleculares y mapear directamente a matrices electrónicas como la de Fock o la densidad reducida.
Los autores presentan una máquina de ultrasonido virtual basada en partículas que utiliza una variante novedosa de dinámica de partículas disipativa suavizada con un solucionador de presión implícito y un esquema de estabilización de presión negativa para simular eficazmente las interacciones onda-materia en el rango de frecuencias de MHz a GHz, demostrando su utilidad en la modelización de la acustofóresis de microburbujas encapsuladas para la administración de fármacos.
Este estudio presenta un método novedoso que utiliza inferencia bayesiana acelerada por aprendizaje automático para determinar la distribución de impurezas en detectores de germanio de alta pureza a partir de mediciones de capacitancia, revelando que la densidad de impurezas del detector probado presenta una dependencia radial.
Este artículo presenta RINO, un marco general para el aprendizaje de operadores que supera las limitaciones de discretización de DeepONet al utilizar representaciones neuronales implícitas (SIRENs) para aprender bases continuas adaptativas, permitiendo así el entrenamiento y la inferencia de operadores con datos de entrada y salida muestreados en ubicaciones y cantidades arbitrarias.
Este artículo propone un método adaptativo basado en procesos gaussianos e ILUES para resolver problemas inversos bayesianos multimodales, generando muestras eficientes de alta calidad para construir un modelo sustituto que aproxime la distribución posterior con un número limitado de simulaciones.
Este estudio propone un enfoque basado en redes neuronales informadas por física (PINN) que utiliza datos de carga de trenes y respuestas estructurales para identificar, localizar y cuantificar daños en puentes ferroviarios de celosía de acero mediante un aprendizaje no supervisado que integra las ecuaciones diferenciales del sistema y se valida en el Puente Calumet de Chicago.
Este trabajo presenta un marco de expansión de cúmulos estocásticos que recupera la energía de correlación total de sistemas grandes con precisión cercana a la del DMRG sin necesidad de seleccionar un espacio activo previo, permitiendo así cálculos de muchos cuerpos sistemáticamente mejorables en entornos de fase condensada.