VALIDADO POR PHYSICS-INFORMED NEURAL NETWORKS

PROPULSIÓN SIN PROPELENTE

Superando la ecuación del cohete mediante la rectificación de difusión entrópica en plasmas de mercurio.
Una iniciativa Deep Tech desde Argentina para el espacio profundo.

Leer Papers Ver Tecnología

+58%

INCREMENTO DE EMPUJE (SIMULADO)

12D

SUBESPACIO INFORMACIONAL

>3 mN/kW

EFICIENCIA CON PLASMA HG

El Motor DQ v2.0

A diferencia de los propulsores iónicos convencionales que dependen de la expulsión de masa, el Motor DQ utiliza la geometría del vacío para generar empuje.

Diodo Entrópico: Una cavidad resonante asimétrica rectifica las fluctuaciones del campo de información.
Plasma de Mercurio: Utilizamos iones pesados (Hg) como "anclaje inercial" para maximizar la transferencia de momento.
Validación Computacional: Simulado con PINNs (Physics-Informed Neural Networks) resolviendo Fokker-Planck en espacios extendidos.

"El universo no está vacío; es un fluido de información. Nosotros simplemente construimos la pendiente para que fluya y nos impulse."

— Juan José Espinosa, Founder

Fig 1. Flujo vectorial de información simulado mediante PINNs mostrando empuje neto.

Publicaciones y Preprints

PREPRINT - PROPULSION

Breaking the Curse of Dimensionality

Validación computacional de propulsión por difusión anómala utilizando Redes Neuronales Informadas por Física (PINNs).

2026 Ver Abstract

PREPRINT - COSMOLOGÍA

Cosmic Acceleration as a Diffusive Phenomenon

Una solución entrópica a la Energía Oscura. Interpretación de la aceleración cósmica como un efecto de transporte en el subespacio.

2026 Leer en Zenodo

DARK MATTER - ASTROFÍSICA

Geometric Unification of Dark Matter and Neutrino

Interpretación de la Materia Oscura bajo el marco de la Difusión Cuántica.

2026 Leer Paper

Acceder al repositorio de código fuente (Python/PyTorch) en Zenodo

Únase a la Frontera de la Propulsión

Estamos buscando socios estratégicos, inversores de capital semilla e instituciones académicas para la fase de prototipado físico del Motor DQ.

Juan José Espinosa

Lead Researcher & Founder

Investigador independiente especializado en Scientific Machine Learning y Física de Plasmas.

ORCID 0009-0004-5812-6770

© 2026 Quantum Diffusion Framework Project. Buenos Aires, Argentina.
Investigación apoyada por herramientas de OpenAI y Google DeepMind.
WhatsApp: +54 11 3385 3804
Teléfono de Línea: 0220 481-3337
Dirección: Araoz 57 - San Antonio de Padua - (1718) - Buenos Aires - Argentina
by www.tallertecno.com.ar