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 presenta una formulación exacta en el dominio de la frecuencia para sistemas tipo péndulo que revela una estructura espectral universal unificada en todos sus regímenes, demostrando que las transiciones entre ellos corresponden a reorganizaciones simétricas en el espacio de frecuencias derivadas de un único núcleo espectral.
Este estudio presenta un marco para evaluar la fiabilidad de los operadores neuronales en flujos turbulentos tridimensionales, demostrando que el modelo propuesto F-IFNO mejora significativamente la estabilidad a largo plazo y la precisión en comparación con los métodos tradicionales y otros modelos basados en FNO.
Este artículo presenta un marco de reducción de modelos basado en cuadratura para la hidrodinámica lagrangiana que, mediante una variante fuertemente conservadora de la ecuación de cuadratura empírica (EQP), logra una conservación de energía a precisión de máquina manteniendo la exactitud en problemas de compresión.
Este trabajo presenta B-ODIL, una extensión bayesiana del método de optimización de una pérdida discreta (ODIL) para resolver problemas inversos basados en ecuaciones diferenciales parciales, permitiendo inferir soluciones con incertidumbre cuantificada y demostrando su eficacia en simulaciones multidimensionales y en la estimación de la concentración de tumores cerebrales a partir de resonancias magnéticas.
Este artículo presenta un marco dinámico de contacto que conserva la energía para partículas rígidas no esféricas convexas arbitrarias, integrando detección de interacciones específicas en 2D y 3D para modelar con precisión el comportamiento de empaquetamiento, la difusión anisotrópica y las ecuaciones de estado en sistemas coloidales y granulares.
Este trabajo introduce la evolución en tiempo imaginario vestida de medición (MDITE) como un nuevo marco para estudiar transiciones de fase inducidas por mediciones en estados mixtos, demostrando mediante simulaciones numéricas la existencia de nuevas clases de criticalidad impulsada por decoherencia en modelos de Ising y Heisenberg que exhiben comportamientos críticos fuera de las clases de universalidad conocidas.
Este artículo establece un límite fundamental independiente de la tecnología para la capacidad de información de la magnetoencefalografía, derivado de la resolución energética cuántica y el metabolismo cerebral, que impone una tasa máxima de 2,2 Mbit/s y revela una compensación inherente entre el ancho de banda temporal y espacial debido a la supresión geométrica de los componentes multipolares superiores.
Este artículo presenta un método de optimización basado en gradientes que utiliza una estimación Gumbel-Softmax de paso directo para permitir la diferenciación eficiente a través de simulaciones estocásticas exactas, logrando así una inferencia de parámetros robusta y un diseño inverso en sistemas de dinámica de Markov de tiempo continuo.
Este artículo propone TAPINN, un enfoque de redes neuronales informadas por física que utiliza regularización métrica supervisada y optimización alterna para mitigar el sesgo espectral y el colapso de modos en sistemas dinámicos con transiciones de régimen abruptas, logrando una mayor precisión física y estabilidad en comparación con los métodos estándar.
El estudio concluye que, aunque las Redes Kolmogorov-Arnold (KAN) son competitivas en residuos polinómicos univariados, su inestabilidad hiperparamétrica y su fallo sistemático en términos multiplicativos y configuraciones profundas las hacen inferiores a las MLP estándar para la recuperación de términos desconocidos en sistemas oscilatorios con restricciones físicas.