1250 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.
SIGS es un marco de IA neuro-simbólica que automatiza la búsqueda de soluciones analíticas exactas para ecuaciones diferenciales, incluyendo sistemas acoplados no lineales, mediante la combinación de gramáticas formales para garantizar la validez sintáctica y una búsqueda en espacios latentes para optimizar residuos físicos sin necesidad de datos.
Este trabajo presenta un modelo macroscópico riguroso para el flujo bifásico en medios porosos inhomogéneos, derivado mediante promediado volumétrico de las ecuaciones de Navier-Stokes y Cahn-Hilliard, que incorpora formalmente el comportamiento de mojado en el potencial químico promediado y valida su capacidad mediante simulaciones numéricas.
Este estudio presenta una plataforma web interactiva desarrollada en el St. Xavier's College de Kolkata que replica los laboratorios de física para preparar a los estudiantes de pregrado, demostrando mediante encuestas que su uso mejora significativamente la comprensión conceptual y la confianza en los experimentos físicos.
Este trabajo presenta GABI, un marco de aprendizaje automático que utiliza autoencoders geométricos para construir priores generativos condicionados a la geometría y permitir una cuantificación de incertidumbre robusta y adaptativa en problemas de inversión bayesiana de sistemas físicos con geometrías complejas, sin requerir conocimiento de las ecuaciones gobernantes.
Este trabajo evalúa la precisión del potencial interatómico de aprendizaje automático universal UMA para 25 dopantes en MoS2, demostrando su capacidad para simular fenómenos complejos como la fractura y difusión a un costo computacional reducido y estableciendo un flujo de trabajo para el diseño de alto rendimiento de materiales dopados.
El artículo presenta MDIntrinsicDimension, un paquete de código abierto en Python que estima la dimensión intrínseca de trayectorias de dinámica molecular para analizar las fluctuaciones conformacionales y la flexibilidad local de macromoléculas mediante descriptores invariantes y estimadores avanzados.
Este artículo propone un marco de frontera abierta corregido basado en el modelo de pseudopotencial inmiscible y el tiempo de relajación múltiple (MRT) para simular flujos multifásicos dinámicos, logrando una reducción significativa de las corrientes espurias y una mejor conservación de la masa mediante la validación en múltiples casos de referencia.
Este artículo presenta *sangkuriang*, una biblioteca de código abierto en Python que utiliza métodos pseudo-espectrales y compilación JIT para simular con alta fidelidad la dinámica de solitones de la ecuación Korteweg-de Vries, validando su precisión mediante pruebas de conservación y análisis de interacciones complejas en entornos costeros.
Este artículo presenta un enfoque de optimización topológica basado en la teoría de Ginzburg-Landau bajo la gauge de Weyl para diseñar inversamente la geometría de superconductores tipo II, con el fin de mejorar su rendimiento mediante la colocación óptima de defectos que favorecen el anclaje de flujo.
Este trabajo propone un método de muestreo mejorado que utiliza una función de comitador aproximada aprendida exclusivamente en el espacio de descriptores para eliminar los costosos cálculos de gradientes coordenados, logrando así una exploración eficiente de rutas de reacción con una reducción significativa del costo computacional.