1241 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.
Los autores proponen un método que utiliza redes neuronales para proyectar datos de diferentes cuencas metastables en un manifold de baja dimensión con una distribución preasignada, generando variables colectivas eficientes que permiten reducir la dimensionalidad y obtener perfiles de energía libre claros incluso en procesos químicos complejos de múltiples pasos.
Este estudio propone un enfoque bayesiano de Langevin, implementado en una herramienta de código abierto, para cuantificar simultáneamente la dinámica determinista y estocástica en sistemas complejos como las redes eléctricas, demostrando su eficacia al analizar el apagón de 1996 en Norteamérica y revelar cambios en el estado de la red que ocurrieron minutos antes del evento desencadenante oficial.
Este artículo presenta un método que deriva el modelo continuo elástico exacto de cualquier red discreta de resortes a partir únicamente de su geometría y topología, calculando desplazamientos no afines para predecir con precisión las propiedades mecánicas de sistemas cristalinos, desordenados y auxéticos sin necesidad de simulaciones costosas.
Mediante simulaciones de dinámica molecular potenciadas por aprendizaje automático y técnicas de muestreo avanzado, este estudio describe con precisión las estructuras y los mecanismos dinámicos de polimerización y formación de anillos del azufre líquido a través de la transición , ofreciendo resultados en concordancia con los experimentos y una visión detallada de este proceso.
El artículo propone un método basado en la función comitadora y un principio variacional para identificar y analizar el conjunto de estados de transición en procesos físicos raros, permitiendo cuantificar las variables clave que gobiernan estas transiciones sin requerir conocimiento previo más allá de los estados inicial y final.
El artículo presenta "Astral", una función de pérdida basada en mayorantes de error que permite entrenar redes neuronales informadas por física con una estimación de error directa y fiable, logrando una convergencia más rápida y una precisión superior en comparación con los métodos tradicionales de minimización de residuos.
Este trabajo presenta un enfoque totalmente automático para la determinación de variables colectivas en simulaciones de muestreo mejorado, utilizando redes neuronales de grafos que procesan directamente las coordenadas atómicas sin necesidad de descriptores físicos predefinidos, garantizando la invariancia ante simetrías y demostrando su eficacia en diversos sistemas químicos.
Este trabajo presenta un método de muestreo mejorado que combina el cálculo variacional de la función comitadora con una dinámica de metadynamics para lograr un muestreo equilibrado y preciso de eventos raros, incluyendo estados de transición y trayectorias reactivas competitivas.
Este estudio presenta un marco de refinamiento adaptativo que combina el entrenamiento basado en causalidad con el refinamiento adaptativo basado en residuos (RBAR) para mejorar significativamente la precisión y eficiencia de las redes neuronales informadas por física (PINNs) al modelar la evolución de interfaces complejas en ecuaciones de campo de fase, superando las limitaciones de los métodos tradicionales.
Este trabajo presenta un marco teórico y práctico para establecer límites de error rigurosos en el uso de redes neuronales informadas por física (PINNs) para aproximar soluciones de la ecuación diferencial parcial de Fokker-Planck, demostrando mediante resultados empíricos su precisión, escalabilidad y superioridad computacional frente al método de Monte Carlo en sistemas no lineales, de alta dimensión y caóticos.