1242 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.
El artículo demuestra que la ruptura de simetría estructural, magnética o dipolar permite a los cálculos DFT convertir falsos metales en verdaderos aislantes y transformar correlaciones fuertes en normales, resolviendo así la controversia histórica entre Mott y Slater al mostrar que la eliminación de degeneraciones reduce la necesidad de tratar la fuerte correlación electrónica.
Este trabajo propone extensiones de temperatura finita de la teoría del funcional de la densidad asistida por ocupación térmica (FT-TAO-DFT), junto con sus variantes de dinámica molecular *ab initio* y QM/MM, para estudiar las propiedades de equilibrio térmico y espectros infrarrojos de sistemas de múltiples referencias como las n-acenos, revelando que los efectos de la temperatura nuclear son más significativos que los electrónicos en el rango de 1000 K.
Este artículo presenta un nuevo algoritmo basado en la teoría espectral y la geometría que, mediante el uso de curvaturas y verificación explícita, resuelve en tiempo polinomial determinista todos los casos de isomorfismo de grafos probados, incluidos aquellos desafiantes para las técnicas espectrales clásicas.
Este artículo presenta un análisis exhaustivo de la inestabilidad de Kelvin-Helmholtz en plasmas con presión anisotrópica mediante el modelo CGL, revelando que, en comparación con el límite de magnetohidrodinámica (MHD), la formación de islas magnéticas, las corrientes eléctricas y la intermitencia son menos pronunciadas debido a que parte de la energía se consume en generar anisotropías de presión en lugar de doblar las líneas del campo magnético.
El artículo presenta Neural-POD, un marco de operador neuronal plug-and-play que aprende funciones base ortogonales no lineales e invariantes a la resolución directamente en el espacio de funciones, superando las limitaciones de discretización de los modelos de IA para la ciencia y mejorando la generalización en sistemas complejos como las ecuaciones de Burgers y Navier-Stokes.
Este estudio utiliza la teoría del funcional de la densidad para caracterizar sistemáticamente la estructura electrónica y la fermiología de 45 metallenes elementales en seis redes monocapa, estableciendo que el tipo de red y el pandeo definen la topología de las líneas de Fermi y proponiendo una métrica unificada llamada "pocketness" para guiar el diseño de aplicaciones en plasmónica, catálisis y óptica cuántica.
Este artículo introduce un marco teórico generalizado que representa operadores cuánticos mediante grafos dirigidos denominados "Imperfect Graphs" o "Topological Structure of Superpositions" (TSS), los cuales, al descartar amplitudes y fases para centrarse únicamente en la conectividad, ofrecen una nueva perspectiva topológica para el diseño de algoritmos cuánticos.
El artículo presenta *mrfmsim*, un paquete de código abierto en Python con una arquitectura modular y extensible diseñado para facilitar la simulación, el análisis y la reproducibilidad de experimentos complejos de microscopía de fuerza de resonancia magnética (MRFM).
Este estudio compara modelos transformadores y redes neuronales recurrentes (RNN) para predecir el comportamiento de materiales compuestos, revelando que, aunque los transformadores son siete veces más rápidos en la inferencia, las RNN superan en precisión y capacidad de extrapolación, especialmente con conjuntos de datos pequeños.
Este trabajo presenta un modelo sustituto adaptativo impulsado por la incertidumbre que combina XGBoost y CNNs con muestreo activo para predecir eficientemente la evolución espacio-temporal de la solidificación dendrítica en la fabricación aditiva, reduciendo significativamente el número de simulaciones de campo de fase costosas y su impacto ambiental en comparación con métodos de muestreo tradicionales.