979 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 Arbeit stellt eine überarbeitete, nicht-hierarchische Korrelations-Diskrete-Variablen-Darstellung (CDVR) vor, die durch die Vermeidung expliziter Projektionen auf den Einzel-Loch-Raum unphysikalische Kopplungen eliminiert, eine günstige -Skalierung ermöglicht und ihre hohe Genauigkeit sowie Effizienz bei der Simulation komplexer quantendynamischer Systeme wie Pyrazin erfolgreich demonstriert.
Diese Studie untersucht das Diazabicyclo[2.2.2]octan (DABCO) mittels winkelauflösender Photoelektronenspektroskopie mit VUV-Synchrotronstrahlung, bestimmt präzise die adiabatische Ionisierungsenergie und zeigt, dass die Anisotropie der Photoelektronenverteilung von der Vibrationsanregung abhängt, was auf eine Streuung des austretenden Wellenpakets durch hoch liegende Rydberg-Zustände zurückgeführt wird.
Diese Arbeit stellt eine neue Open-Source-Implementierung der anti-hermiteschen kontrahierten Schrödingergleichung (ACSE) vor, die eine skalierbare und robuste Simulation der All-Elektronen-Korrelation für Grund- und angeregte Zustände in schwach und stark korrelierten Systemen ermöglicht, ohne von der Komplexität des Referenzwellenfunktion abzuhängen.
Diese Studie zeigt mittels multireferenz-quantenchemischer Berechnungen, dass der Torsionswinkel zwischen den Monomereinheiten in Aza-BODIPY-Dimern den dominierenden Einfluss auf die Effizienz der Triplett-Generierung durch Singulett-Fission oder SOCT-ISC hat, wobei die Regio-Konnektivität eine untergeordnete Rolle spielt.
Die Autoren stellen einen zentral-peripheren Destillationsalgorithmus (CPD) vor, der die Effizienz beim Training von Machine-Learning-Kraftfeldern für Phasenübergänge drastisch verbessert, indem er mit nur 200 repräsentativen Konfigurationen eine hohe strukturelle Vielfalt und Genauigkeit für flüssigen Wasserstoff sicherstellt.
Die Arbeit stellt eine effiziente und skalierbare Erweiterung der Interacting-Bath Dynamical Embedding Theory (ibDET) für molekulare Systeme vor, die durch die Zerlegung des Problems in lokale Einbettungsprobleme präzise Anregungsenergien auf GW- und EOM-CCSD-Niveau mit deutlich reduzierten Rechenkosten liefert.
Die Studie zeigt, dass die durch Photodissoziation von Ammoniak in Wassereis erzeugte molekulare Stickstoffmenge die meisten beobachteten N₂-Häufigkeiten in Kometen erklären kann, während die dort nachgewiesenen Kohlenmonoxid-Mengen eher auf eine Einfrierung bei extrem niedrigen Temperaturen hindeuten.
Die Studie stellt ein thermodynamisch konsistentes Rahmenwerk vor, das mithilfe von Entropieskalierung und molekularen Zustandsgleichungen Selbst- und Mischdiffusionskoeffizienten in Fluidgemischen über einen weiten Bereich von Zuständen und für stark nicht-ideale Systeme vorhersagt.
Diese Arbeit entwickelt ein maschinell gelerntes Interatomarpotential für hydratisierte Nafion-Ionomere und Platin-Katalysatoren, um Struktur, Protonentransport und Reaktivität in Brennstoffzellen zu untersuchen, wobei zwar hervorragende Ergebnisse für Struktur und Reaktionen erzielt werden, die effiziente Erfassung komplexer Wechselwirkungen durch aktive Lernmethoden jedoch weiterhin verbessert werden muss.
Diese Studie untersucht zwei Multi-Fidelity-Strategien zum Training von maschinell gelernten Kraftfeldern, indem sie zeigt, dass das Pre-Training mit Feinabstimmung zwar auf einer log-log-linearen Beziehung zwischen den Genauigkeiten beruht und Kraftlabels erfordert, während multi-köpfige Modelle zwar geringfügig schlechtere, aber methodenunabhängige Repräsentationen lernen, die den kosteneffizienten Einsatz verschiedener Datenquellen ermöglichen.