1164 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 introduce una aproximación de Padé para reducir el número de ceros necesarios en las formulaciones de Fisher, EPD y MGF, permitiendo un análisis fiable y eficiente del modelo XY anisotrópico bidimensional con una disminución significativa en el costo computacional sin perder precisión en la estimación de la temperatura crítica.
Este trabajo presenta un método que utiliza simuladores diferenciales y datos de fase espacial de plasmas para aprender operadores de colisión dependientes del tiempo y de tipo integro-diferencial, demostrando que pueden reproducir con mayor precisión la dinámica del plasma que los estimados tradicionales basados en estadísticas de trayectorias de partículas.
Este trabajo presenta un modelo de Monte Carlo de integral de camino exactamente resoluble para fermiones armónicos que demuestra que el problema de signo es inherente al propagador de fermiones libres y puede mitigarse mediante interacciones, revelando además que los estados de capas cerradas carecen de este problema a tiempos imaginarios grandes.
Este artículo presenta un modelo innovador basado en Redes Neuronales de Grafos, denominado Collision-captured Network (CN), que utiliza la estructura natural del hielo marino para simular y predecir con mayor eficiencia y precisión la dinámica de las placas de hielo en colisión, integrando técnicas de asimilación de datos para optimizar los pronósticos en zonas de hielo marginal.
Este artículo demuestra que el muestreo guiado con priores de difusión puede reconstruir trayectorias espacio-temporales completas y generalizar a regímenes de parámetros no vistos en problemas de cinética de reacciones en fase gaseosa gobernados por la ecuación de advección-reacción-difusión, superando las limitaciones de los enfoques actuales que se centran únicamente en la reconstrucción de instantáneas aisladas.
Este trabajo presenta un marco de identificación de dinámicas en espacio latente informado por física (pLaSDI) que resuelve el cuello de botella computacional de la cinética atómica fuera del equilibrio termodinámico local (NLTE) mediante la modelización de su evolución temporal con ecuaciones gobernantes reducidas, logrando una aceleración de hasta veces con errores inferiores al 2% y garantizando estabilidad física y convergencia correcta en condiciones extrapuestas.
El artículo presenta la ecuación de Langevin generalizada con desorden espacial (SD-GLE), un método basado en datos y marco bayesiano variacional que logra separar el desorden espacial estático de la fricción viscoelástica para modelar con precisión la dinámica de sistemas heterogéneos y recuperar sus propiedades estadísticas de difusión anómala.
Este trabajo presenta el método de la burbuja, una técnica basada en primeros principios que permite calcular con precisión las energías libres de solvatación de moléculas e iones mediante dinámica molecular clásica, *ab initio* y de aprendizaje automático, evitando las singularidades de los extremos y eliminando la necesidad de datos experimentales.
Este trabajo presenta y evalúa extensiones probabilísticas de las redes neuronales informadas por física (PINNs), incluyendo inferencia bayesiana y ensambles repulsivos, para cuantificar la incertidumbre en la modelización de flujos turbulentos, demostrando que los métodos bayesianos ofrecen las estimaciones más consistentes mientras que los ensambles repulsivos proporcionan una aproximación eficiente en términos computacionales.
Este artículo presenta Scalable DDPM-Polycube, un método basado en difusión escalable que mejora la generación de polycubos para mallas hexaédricas y splines volumétricos mediante la expansión del conjunto de primitivas geométricas, la configuración de la cuadrícula y estrategias de generación de contexto, facilitando así aplicaciones de análisis isogeométrico en geometrías complejas.