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 demuestra mediante simulaciones que la presencia de dislocaciones de mal ajuste y de roscado en las interfaces PbTe-PbSe reduce significativamente la energía superficial en comparación con las interfaces coherentes, alcanzando disminuciones de hasta un 50% en los procesos de crecimiento epitaxial.
Este artículo presenta el conjunto de datos OPoly26, que incluye más de 6,57 millones de cálculos de teoría del funcional de la densidad (DFT) en sistemas poliméricos, para superar la falta de datos en el campo y mejorar el rendimiento de los modelos de aprendizaje automático destinados a predecir propiedades de polímeros y avanzar hacia modelos atómicos universales.
Los autores proponen un marco generativo impulsado por la simetría que combina modelos de lenguaje grandes y una búsqueda heurística de haz de complejidad lineal para predecir estructuras cristalinas novedosas y físicamente válidas directamente a partir de la composición química, superando así los cuellos de botella combinatorios y la dependencia de bases de datos existentes.
Presentamos *peapods*, un paquete de código abierto en Python con núcleo en Rust que acelera las simulaciones de Monte Carlo para sistemas de espines de Ising mediante algoritmos avanzados de actualización de espines y clusters, optimizados para el paralelismo y validados frente a temperaturas críticas exactas.
Este trabajo demuestra que la incorporación de un mecanismo de retroalimentación sináptica en un modelo de cerebro cuántico basado en Lipkin-Meshkov-Glick reconfigura sustancialmente su diagrama de fases, expandiendo la fase paramagnética y desplazando los límites críticos, lo cual se caracteriza mediante distribuciones de Husimi, entropía de Wehrl y dinámicas de campo medio que validan la idoneidad del modelo para estudiar cómo la plasticidad sináptica modula la criticidad colectiva.
El estudio presenta SMARL, un enfoque de aprendizaje por refuerzo en línea que desarrolla cierres de subescala estables y generalizables para simulaciones de turbulencia geofísica, logrando reproducir con precisión estadísticas de alta fidelidad y eventos extremos utilizando hasta cinco órdenes de magnitud menos de grados de libertad.
Este artículo propone una formulación más simple e intuitiva para la función de costo de los puntos calientes dentro del código optAPM, incorporando la pre-interpolación de datos de trayectorias para reducir errores de modelado y mejorar la precisión de las reconstrucciones del movimiento absoluto de las placas tectónicas.
Este trabajo propone un marco de computación general que utiliza un módulo de atención entrenable para aprender dónde y cómo medir sistemas físicos dinámicos, optimizando así la extracción de información y mejorando significativamente la precisión de las predicciones en sistemas caóticos.
Este trabajo presenta una extensión de dos niveles para el marco de simulación micromagnética mumax+ que integra acoplamientos coherentes y disipativos entre fotones de cavidad y magnones en ferromagnetos y antiferromagnetos, validando su capacidad para simular fenómenos cuánticos complejos mediante kernels CUDA y una clase de co-simulación en Python.
Este artículo propone un método numérico simple basado en el muestreo por transformación inversa para cargar distribuciones de tipo Maxwelliano relativista, utilizando una función aproximada e invertible de la distribución de energía desplazada para generar y convertir variates de energía en vectores de momento, demostrando mediante pruebas numéricas que el método reproduce con éxito la distribución deseada.