1240 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 extiende la Teoría de Medios Porosos para modelar la inyección de cemento acrílico en vértebras bajo condiciones no isotérmicas, incorporando balances de energía y relaciones constitutivas que garantizan consistencia termodinámica y comportamientos físicamente razonables en simulaciones numéricas.
Este artículo presenta un marco teórico-computacional basado en la ecuación de Langevin generalizada que permite caracterizar la respuesta viscoelástica del polímero vítreo PMMA a lo largo de más de veinte décadas de frecuencia, logrando una consistencia cuantitativa con múltiples técnicas experimentales y simulaciones desde escalas atómicas hasta macroscópicas.
Este artículo presenta un nuevo algoritmo de Monte Carlo para problemas de transporte de partículas dependientes del tiempo que utiliza ventanas de peso globales automáticas, definidas mediante la solución de un problema auxiliar híbrido (Monte Carlo/determinista) basado en ecuaciones de segundo momento de bajo orden, para lograr una distribución uniforme de partículas y mejorar la eficiencia computacional.
El artículo presenta SAP-X2C, un hamiltoniano relativista de dos componentes que combina la simplicidad y bajo costo del método 1eX2C con una mayor precisión al incluir efectos de cambio de imagen de dos electrones mediante superposición de potenciales atómicos, logrando así un límite termodinámico bien definido aplicable a sistemas extendidos.
Los autores presentan un algoritmo de muestreo de trayectorias de transición basado en disparos unidireccionales que acepta todas las propuestas y utiliza un esquema de reponderación para corregir el sesgo, mejorando significativamente la eficiencia en el estudio de la formación de hidratos de clatrato de CO₂ en condiciones difíciles de acceder.
Este artículo presenta un modelo sustituto multitarea para las ecuaciones de estado de estrellas de neutrones que, entrenado con 40.000 casos, ofrece incertidumbre certificada y libre de distribuciones mediante predicción conformal (estándar y Mondrian), logrando una discriminación casi perfecta y errores relativos subporcentuales en masas y radios.
Este estudio presenta un marco de aprendizaje automático para predecir el flujo estacionario en medios porosos, demostrando que el Operador de Red Neuronal de Fourier (FNO) supera a los modelos AE y U-Net al ofrecer predicciones precisas y hasta 1000 veces más rápidas que la dinámica de fluidos computacional tradicional, lo que lo hace ideal para la optimización topológica de placas frías.
Este estudio demuestra que es posible lograr predicciones termodinámicas precisas y cuantitativas para el apareamiento iónico del CaCO en agua, combinando muestreo estadístico avanzado con métodos de estructura electrónica de alto nivel (CCSD(T)) superando las limitaciones de la teoría del funcional de la densidad estándar.
El estudio demuestra que, aunque tanto los osciladores como los cerrojos bistables se utilizan para implementar máquinas de Ising, las diferencias en sus dinámicas físicas subyacentes otorgan a los osciladores una estabilidad selectiva que les permite encontrar soluciones de mayor calidad en problemas de optimización combinatoria como MaxCut.
Este estudio presenta un modelo sustituto de inteligencia artificial basado en operadores neuronales informados por física (PINO) que acelera más de 10.000 veces el análisis de retención de datos en NAND vertical ferroeléctrica (Fe-VNAND) en comparación con las herramientas TCAD tradicionales, manteniendo la precisión física necesaria para la optimización de dispositivos.