785 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.
Diese Studie etabliert ein effizientes, abgestimmtes DFT-TDDFT-Rahmenwerk zum Screening von Heteroatom-dotierten organischen Farbstoffen für farbstoffsensibilisierte Solarzellen und zeigt, dass eine elektronendefiziente Bor-Dotierung die HOMO-LUMO-Lücke effektiv verengt und ladungstransferangeregte Zustände rotverschiebt, um die Solarenergieausbeute zu verbessern.
Dieser Beitrag stellt einen auf Large Language Models basierenden Agenten vor, der über das Model Context Protocol in die AVEVA Process Simulation integriert ist und eine Interaktion in natürlicher Sprache zur Automatisierung komplexer chemischer Prozessaufgaben wie Analyse, Optimierung und Fließbildsynthese ermöglicht, wodurch sowohl die pädagogische Zugänglichkeit als auch die professionelle Effizienz gesteigert werden, während dennoch eine fachliche Aufsicht erforderlich bleibt.
Dieser Artikel zeigt, dass ein kürzlich vorgestelltes effektives Tuning-Protokoll für range-separierte Hybridfunktional eine rechnerisch effiziente und genaue Alternative zu konventionellen mehrstufigen Optimierungen darstellt und zuverlässige Ausgangspunkte für One-Shot-- und Bethe-Salpeter-Gleichungsrechnungen von Ionisationspotentialen und Anregungseigenschaften über diverse molekulare Systeme hinweg liefert.
Diese Studie bewertet fünf maschinell erlernte interatomare Potentiale (SchNet, FieldSchNet, SO3Net, PaiNN und MACE) zur Vorhersage molekularer Infrarotspektren und stellt fest, dass zwar alle Modelle auf Trainingsdaten eine hohe Genauigkeit erreichen, die äquivarianten Architekturen (SO3Net, PaiNN und MACE) jedoch eine überlegene Generalisierung auf nicht gesehene Systeme demonstrieren, wobei PaiNN das beste Gleichgewicht zwischen Effizienz und Genauigkeit bietet und MACE die höchste spektrale Genauigkeit liefert.
Diese Perspektive überprüft und vergleicht Methoden zur Wiederherstellung dynamischer Korrelation für Vielreferenz-Wellenfunktionen unter Verwendung von reduzierten Dichtematrizen niedriger Ordnung und stellt fest, dass MC-srPDFT zwar der genaueste DFT-basierte Ansatz ist, lineares AC0 jedoch DFT-Methoden übertrifft und in der Vorhersage von Spin-Zustands-Energetik für Übergangsmetallkomplexe teure Störungstheorie konkurrenziert.
Dieser Beitrag stellt theoretisch die reelle Analytizität von Single-Reference-Coupled-Cluster-Amplituden bezüglich der Kernkoordinaten unter Nichtentartungsannahmen sicher, identifiziert und mindert Regularitätsartefakte, die durch kanonische Orbitale verursacht werden, und validiert die Machbarkeit der Interpolation dieser Amplituden zur Reduzierung der Rechenkosten bei Berechnungen molekularer Energien.
Dieser Beitrag stellt mlip v2 vor, eine neue Generation von Open-Source-Software, die die Effizienz, Skalierbarkeit und Flexibilität von Machine-Learning-Interatompotentialen durch eine neu gestaltete modulare API, einen hochleistungsfähigen equivarianten Backend sowie erweiterte Funktionen wie die eSEN-Architektur und eine verbesserte Handhabung elektrostatischer Wechselwirkungen verbessert.
Dieser Beitrag stellt PASPT2 vor, eine neuartige partiell-aktive-Raum-Multi-State-Multi-Reference-Störungstheorie zweiter Ordnung, die für stark korrelierte Systeme durch die Verwendung eines spezialisierten, referenzspezifischen Hamilton-Operators nullter Ordnung, der die in der zugrundeliegenden Coupled-Cluster-Formulierung auftretenden unverbundenen Terme eliminiert, eine strikte Größenextensivität und Größenkonsistenz erreicht.
DynaMate2 ist ein Open-Source-Framework für hierarchische Agenten, das KI-gestützte wissenschaftliche Arbeitsabläufe demokratisiert, indem es Forschenden ermöglicht, ihre bestehenden von Experten definierten Python-Tools mühelos in KI-aufrufbare Komponenten umzuwandeln, ohne dass das LLM wissenschaftlichen Code generieren muss, wodurch die Hürde zur Automatisierung in Bereichen wie der computergestützten Chemie gesenkt wird.
Dieser Beitrag stellt einen informationstheoretischen Rahmen vor, der Entropiemaße und J-Divergenz verwendet, um atomare und molekulare Elektronendichten in verschiedenen physikalischen Szenarien zu bewerten und zu vergleichen, wodurch Erkenntnisse für die Auswahl optimaler Referenzdeterminanten und die Entwicklung neuer Dichtefunktionale gewonnen werden.