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.

Macro-Dipole-Constrainted Learning of Atomic Charges for Accurate Electrostatic Potentials at Electrochemical Interfaces

Die Studie stellt SMILE-CP vor, eine rechnerisch effiziente Methode zur Ableitung atomarer Ladungen unter Berücksichtigung des makroskopischen Dipolmoments, die präzise elektrostatische Potentiale an elektrochemischen Grenzflächen ermöglicht und so die Entwicklung ladungsbewusster Machine-Learning-Potentiale für realistische Simulationen vorantreibt.

Jing Yang, Bingxin Li, Samuel Mattoso, Ahmed Abdelkawy, Mira Todorova, Jörg Neugebauer2026-04-03🔬 cond-mat.mtrl-sci

VIANA: character Value-enhanced Intensity Assessment via domain-informed Neural Architecture

Die Studie stellt VIANA vor, ein neuartiges dreistufiges Framework, das durch die Integration von Graph-Convolutional-Networks, PCA-verdichteten semantischen Geruchscharakteren und der Hill-Gleichung die Vorhersage der wahrgenommenen Geruchsintensität mit hoher Genauigkeit ermöglicht und so die Lücke zwischen molekularer Informatik und sensorischer Wahrnehmung schließt.

Luana P. Queiroz, Icaro S. C. Bernardes, Ana M. Ribeiro, Bernardo M. Aguilera-Mercado, Idelfonso B. R. Nogueira2026-04-03🔬 physics

A new framework for atom-resolved decomposition of second-harmonic generation in nonlinear-optical crystals

Diese Arbeit stellt ein neues, rigoroses Rahmenwerk zur atomaren Zerlegung der zweiten Harmonischen Erzeugung in nichtlinearen optischen Kristallen vor, das durch die Anwendung auf sechs UV-Kristalle eine hierarchische Abhängigkeit von Zwei-Zentren-Termen und eine kooperative Rolle von Anionen- und Kationengittern aufdeckt.

YingXing Cheng, Congwei Xie, Zhihua Yang, Shili Pan2026-04-03🔬 physics

A Residence-Time Approach for Determining Position-Dependent Diffusivities from Biased Molecular Simulations

Die Autoren stellen eine neue Methode vor, die sogenannte Verweilzeit-Methode (RTA), mit der sich aus voreingenommenen Molekulardynamik-Simulationen ortsabhängige Diffusionskoeffizienten direkt aus den mittleren Austrittszeiten bestimmen lassen, ohne auf harmonisch eingeschränkte Simulationen oder die numerische Integration verrauschter Zeit-Korrelationsfunktionen angewiesen zu sein.

Rinto Thomas, Praveen Ranganath Prabhakar, Michael von Domaros2026-04-03🔬 cond-mat

Towards Chemically Accurate and Scalable Quantum Simulations on IQM Quantum Hardware: A Quantum-HPC Hybrid Approach

Die Studie demonstriert auf dem IQM-Sirius-Prozessor durch den Einsatz von Sample-based Quantum Diagonalization mit LUCJ- und LCNot-UCCSD-Ansätzen sowie DMET-Einbettung chemisch genaue Quantensimulationen für Benchmark-Moleküle und komplexe Systeme wie Amantadin, einschließlich der experimentellen Erstellung einer vollständigen 2D-Potentialenergiefläche für Wasser.

Anurag K. S. V., Ashish Kumar Patra, Manas Mukherjee, Alok Shukla, Sai Shankar P., Ruchika Bhat, Radhika T. S. L., Jaiganesh G2026-04-03⚛️ quant-ph

Efficient Auxiliary-Field Quantum Monte Carlo using Isometric Tensor Hypercontraction

Diese Arbeit stellt eine effiziente Variante des Auxiliary-Field-Quanten-Monte-Carlo-Verfahrens vor, die Isometrische Tensor-Hyperkontraktion nutzt, um die Coulomb-Wechselwirkung zu diagonalisieren und dabei sowohl die theoretische Komplexität als auch den Rechenaufwand für stark korrelierte Systeme im Vergleich zu Standardmethoden signifikant zu reduzieren.

Maxine Luo, Victor Chen, Yu Wang, Christian B. Mendl2026-04-03🔬 physics

Gradient estimators for parameter inference in discrete stochastic kinetic models

Die Studie zeigt, dass sich durch den Einsatz komplementärer Gradientenschätzer aus dem maschinellen Lernen die parametrische Inferenz für diskrete stochastische kinetische Modelle mittels des Gillespie-Algorithmus effektiv durchführen lässt, wobei der Gumbel-Softmax-Straight-Through-Schätzer zwar meist gut funktioniert, in herausfordernden Regimen jedoch durch die robusten Score-Function- und Alternative-Path-Schätzer ergänzt werden muss.

Ludwig Burger, Annalena Kofler, Lukas Heinrich, Ulrich Gerland2026-04-03🔬 physics