🔬 Category

physics.chem-ph

768 Arbeiten

Dieser Bereich widmet sich den faszinierenden Schnittstellen zwischen Physik und Chemie, wo fundamentale Naturgesetze auf molekularer Ebene untersucht werden. Hier geht es um die Bewegung von Atomen, die Kräfte zwischen Molekülen und die thermodynamischen Prozesse, die unser Universum formen, ohne dabei in unnötigen Fachjargon zu verfallen.

Auf Gist.Science durchsuchen wir kontinuierlich die neuesten Vorveröffentlichungen von arXiv in dieser Kategorie. Für jedes neue Preprint erstellen wir sowohl eine verständliche Zusammenfassung für ein breites Publikum als auch eine detaillierte technische Analyse, damit die komplexesten Entdeckungen für jeden zugänglich sind.

Im Folgenden finden Sie die aktuellsten Forschungsarbeiten aus dem Feld der physikalischen Chemie, die wir für Sie aufbereitet haben.

The Geometry of Activity Cliffs: Representation Dependence and Multi-Scale Characterization of Activity Landscapes

Diese Arbeit argumentiert, dass Activity Cliffs weitgehend Artefakte der gewählten molekularen Repräsentation und Metrik sind und nicht intrinsische molekulare Eigenschaften darstellen, indem sie durch einen sechsstufigen Benchmark über fünfzehn Konfigurationen hinweg demonstriert, dass unterschiedliche Embeddings verschiedene Aspekte der molekularen Erkennung kodieren und damit implizit definieren, was eine Activity Cliff ausmacht.

Pawel Dabrowski-Tumanski, Bartosz Topolski, Dariusz Plewczynski, Tomasz Jetka2026-06-01🧬 q-bio

A Phase Space Signature of Quantum Roaming in Chesnavich's Model

Diese Arbeit identifiziert eine spezifische Quantenresonanz in Chesnavics Modell für die CH4+→CH3++H\mathrm{CH}_4^+\rightarrow\mathrm{CH}_3^+ + \mathrm{H}-Reaktion als ein im Phasenraum lokalisiertes Analogon zum klassischen Roaming, das durch eine Wellenfunktionskonzentration zwischen inneren und äußeren Übergangszuständen sowie durch distinkte radiale und winklige Impulssignaturen charakterisiert ist.

Stephen Wiggins2026-06-01🔬 physics

MLIPilot: LLM-Driven Auto-Research for Machine-Learned Interatomic Potentials

Das Paper stellt MLIPilot vor, ein Auto-Research-Framework, bei dem Tool-Calling-fähige Large Language Models autonom maschinell gelernte interatomare Potentiale optimieren, indem sie Code-Änderungen vorschlagen und HPC-Jobs unter strengen physikalischen Randbedingungen verwalten, wobei es erfolgreich instabile Baseline-Modelle über diverse molekulare und periodische Benchmarks hinweg in produktionsreife Modelle transformiert.

Etinosa Osaro, Santosh Adhikari, Stamatia Zavitsanou, Kelsey Parker, Dario Rocca2026-06-01🔬 physics

Crystallisation kinetics of supercooled liquid palladium

Diese Studie verwendet klassische Molekulardynamik-Simulationen, um die Kristallisationskinetik von unterkühltem flüssigem Palladium zu charakterisieren, wobei ein diffusionsbegrenztes Wachstum und ein Maximum der homogenen Keimbildung nahe 0,5Tm0,5 T_{\mathrm{m}} aufgezeigt werden, was mit zeitaufgelösten Röntgenbeugungsexperimenten übereinstimmt und darauf hindeutet, dass die homogene Keimbildung die erreichbare Unterkühlung in schnell abgeschreckten Pd-Dünnfilmen bestimmt.

Zuzanna Kostera, Przemyslaw Dziegielewski, Konstantinos Georgarakis, Oleksii I. Liubchenko, Adam Olczak, Ryszard Sobierajski, Klaus Sokolowski-Tinten, Peihao Sun, Robert W. E. van de Kruijs, Peter Zal (…)2026-06-01🔬 cond-mat.mtrl-sci

Cooperative Conformational Transitions in Macromolecules under Mechanical Stretching. An Exactly Solved Model for Single Molecule Experiments

Diese Arbeit präsentiert ein exakt gelöstes Zwei-Zustands-Modell für die elastische frei bewegliche Kette, das explizite analytische Ausdrücke für das Dehnungsverhalten makromolekularer Strukturen herleitet, dabei erfolgreich experimentelle Daten für PEG, Hyaluronsäure und DNA-Übergänge reproduziert und gleichzeitig Unterschiede in der Kuhn-Länge sowie der Kraftkonstante als grundlegende Mechanismen für Konformationsänderungen identifiziert.

Javier Orradre, Pablo M. Blanco, Sergio Madurga, Marina I. Giannotti, Francesc Mas, Josep L. Garcés2026-06-01🔬 cond-mat

DFT Accuracy on Crystal Structure Prediction with Machine Learning Interatomic Potentials

Das Papier stellt CSP-MACE-Å vor, ein maschinelles Lernkraftfeld für Atome, das die Gesamtenergie in intramolekulare und intermolekulare Komponenten zerlegt, um in der Kristallstrukturvorhersage eine Genauigkeit auf DFT-Niveau zu erreichen und dabei um Größenordnungen schneller zu laufen, wodurch eine robusteren Risikominimierung fester Formen durch umfangreiche Kandidatenbewertung und freie Energieberechnungen ermöglicht wird.

Laurence I. Midgley, Chen Lin, J. Harry Moore, Flaviano Della Pia, Javier Antorán, Sten O. Nilsson Lill, Emma S. E. Eriksson, Felix A. Faber, Lars Tornberg, Anders Broo, Gábor Csányi2026-05-29🔬 physics

How Atoms Interact Within Molecules

Durch die Kombination von Quantenfeldtheorie und maschinellen Lernkraftfeldern zeigt diese Studie, dass interatomare Kräfte in großen Molekülen eine robuste Streuung und eine beträchtliche Anisotropie aufweisen, die mit der Systemgröße zunehmen, was traditionelle empirische Modelle in Frage stellt und eine Verschiebung hin zur Identifizierung von Wechselwirkungs-Hotspots nahelegt, um das molekulare Falten und die Dynamik besser zu verstehen.

Adil Kabylda, Malte Esders, Matteo Gori, Stefan Chmiela, Klaus-Robert Müller, Alexandre Tkatchenko2026-05-29🔬 physics

M\=oLe-{\Lambda}: Learning the Coupled-Cluster Response State for Energies, Gradients, and Properties

Der Artikel stellt M\=oLe-Λ\Lambda vor, ein äquivariantes maschinelles Lernmodell, das sowohl rechte als auch linke gekoppelte-Cluster-Amplituden aus lokalisierten Hartree-Fock-Orbitalen gemeinsam vorhersagt, um effizient genaue Energien, Kräfte und eine breite Palette von Antwortgrößen zu erzeugen, wobei die Größenextensivität und Lokalität der traditionellen CCSD-Theorie erhalten bleiben.

Andreas Burger, Luca Thiede, Abdulrahman Aldossary, Jorge A. Campos-Gonzalez-Angulo, Alex Zook, Jérôme Florian Gonthier, Alán Aspuru-Guzik2026-05-29🔬 physics

A Systematic Evaluation of Molecular Mixture Behavior Prediction

Dieser Artikel schlägt ein neues Evaluierungsframework vor, das Fehler bei der Vorhersage von Mischungs-eigenschaften in Komponenten für reine Stoffe und nicht-ideale Wechselwirkungen zerlegt, um zu zeigen, dass eine hohe absolute Genauigkeit oft eine schlechte Generalisierung auf nicht gesehene Moleküle und nicht-ideales Mischungsverhalten verschleiert.

Roel J. Leenhouts, Nathan K. Morgan, William Green, Jan G. Rittig, Florence H. Vermeire2026-05-29🔬 physics