{"ok":true,"nota":{"id":"e595fba997c9fe78","slug":"logran-acelerar-calculos-de-materiales-con-un-metodo-que-aprende-y-reu-e595fb","titulo":"Logran acelerar cálculos de materiales con un método que aprende y reutiliza simetrías","resumen":"Investigadores desarrollaron una forma de acelerar simulaciones cuánticas de materiales en tiempo real combinando un modelo que aprende y la reutilización de simetrías en las transformadas de Fourier. Según el trabajo, el método reduce el tiempo de cómputo de cálculos de funcionales híbridos. El estudio es metodológico y de software científico.","fuente":"arxiv-materia","fuenteNombre":"arXiv · Materiales","color":"#8b5a2b","autor":"Tomohito Otobe","url":"https://arxiv.org/abs/2610.27798v1","imagen":"/hoy/portada/e595fba997c9fe78","tema":"tecnologia","subtemas":["simulación computacional","aprendizaje automático","química cuántica","computación científica","materiales"],"entidades":["arXiv"],"formato":"dato","entretenimiento":false,"pubTs":"2026-10-20T07:56:12.000Z","indexTs":"2026-10-21T01:32:19.374Z","hash":"d3ac985a22d8903f5d3687a6259c1f0ef0fb936725694457ab49ee747dce4079","tsa":{"time":"Oct 21 01:33:05 2026 GMT","provider":"freetsa.org","sobre":"sello"},"stats":{"views":0,"likes":0,"clicks":0,"dwell":0},"tipo":"normal","registro":"hallazgo","porQueImporta":"Las simulaciones de materiales consumen muchísima computación, y eso limita cuántos compuestos se pueden probar antes de fabricarlos en el laboratorio. Hacerlas más rápidas significa poder explorar más candidatos para baterías, paneles solares o catalizadores en menos tiempo y con menos gasto. Para un país con recursos de cómputo acotados, estas mejoras de eficiencia valen tanto como comprar más máquinas. Aun así, el beneficio depende de que la comunidad adopte el método.","quienFirma":"arXiv (preprint de ciencia de materiales; autores no identificados en los datos recibidos)","confianza":"preprint","consulta":null},"sello":{"hash":"d3ac985a22d8903f5d3687a6259c1f0ef0fb936725694457ab49ee747dce4079","sello":"039e3d22e01048cf4d2bb07b1214cc27e104aff880b61f56941fee8580e75761","beacon":{"drand":{"cadena":"8990e7a9aaed2ffed73dbd7092123d6f289930540d7651336225dc172e51b2ce","ronda":6570512,"aleatorio":"d2d81b867c941db5eccee2c39c9b9a564fe0c576bdf7b3f14f5bacab08c0d8f4","tiempo":"2026-10-21T01:33:00.000Z"},"nist":{"cadena":2,"pulso":1992461,"salida":"E068ABF1820824AB0D7B43EBD3B63345AA239DF8621FB0A99B3E776177EB960380A585BDDF96AD3CDF78869672B6ADC2E1E6233FA0B068472F0A6B17EAE19837","tiempo":"2026-10-21T01:32:00.000Z"},"noAntes":"2026-10-21T01:33:00.000Z"},"verificacion":{"drand":true,"nist":true},"tsa":{"time":"Oct 21 01:33:05 2026 GMT","provider":"freetsa.org","sobre":"sello"},"original":{"titulo":"Accelerating real-time hybrid-functional calculations with learned ACE and symmetry-based FFT reuse","descripcion":"","pubDate":"2026-10-20T07:56:12Z","url":"https://arxiv.org/abs/2610.27798v1"},"indexado":"2026-10-21T01:32:19.374Z"}}