985 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.
Die Arbeit stellt Transfer-PaiNN (T-PaiNN) vor, einen Transfer-Learning-Ansatz, der durch das Vortraining auf klassischen Kraftfelddaten und anschließendes Feinabstimmen mit wenigen DFT-Daten die Daten-effizienz und Genauigkeit von GNN-basierten interatomaren Potenzialen erheblich verbessert.
Diese Studie nutzt reaktive Deep-Learning-Potentiale, um zu zeigen, dass die durch einen Nukleophilaangriff initiierte Cyclisierung von Polyacrylonitril (PAN) den geschwindigkeitsbestimmenden Schritt darstellt, der eine anschließende, um den Faktor 10.000 beschleunigte, lithiumionengekoppelte Elektronenübertragung und Ringbildung entlang der Polymerkette auslöst.
Diese Studie zeigt, dass molekulardynamische Simulationen mit quantenmechanischen Korrekturen und der Berücksichtigung der Membranbewegung zuverlässige Vorhersagen für die Wasserstoffpermeation durch Graphdiyn-Membranen ermöglichen, wobei die thermische Bewegung der Membran die Permeationsbarrieren signifikant senkt.
Die Autoren stellen eine GPU-beschleunigte Implementierung des Multigrid-Gauß-Planewellen-Dichtefit-Algorithmus in PySCF vor, die mittels CUDA-Kernen eine bis zu 25-fache Beschleunigung gegenüber CPU-Implementierungen bei der Berechnung von Fock-Matrizen und Kerngradienten für große Systeme ermöglicht.
Diese Studie stellt einen nachhaltigen photokatalytischen Ansatz vor, der Mikroalgen als Opfermittel nutzt, um die Wasserstoffproduktion aus Brookit-TiO₂ drastisch zu steigern und gleichzeitig wertvolle Chemikalien wie Methan und Kohlenmonoxid zu erzeugen.
Diese Übersichtsarbeit stellt einen Rahmen vor, der Deep Learning zur Vorhersage der Reaktionskoordinate mittels der Commitor-Funktion mit erklärbarer künstlicher Intelligenz (XAI) kombiniert, um die wichtigsten kollektiven Variablen in komplexen molekularen Systemen quantitativ zu identifizieren und die zugrunde liegenden Reaktionsmechanismen zu entschlüsseln.
Die Studie nutzt ab initio-Molekulardynamik und ein modifiziertes Eigen-Zundel-Modell, um zu zeigen, dass der überschüssige Proton in wässrigen HF-Lösungen dynamisch mit Wassermolekülen geteilt wird, was die scheinbare Diskrepanz zwischen der unterschiedlichen Thermodynamik und den ähnlichen spektroskopischen Eigenschaften von HF und HCl-Lösungen aufklärt.
Diese Arbeit stellt ein Framework vor, das übertragbares Deep-Learning-Variational-Monte-Carlo mit Gauß-Prozess-Regression kombiniert, um die genaue und effiziente ab-initio-Geometrieoptimierung stark korrelierter Systeme über komplexe Potentialhyperflächen hinweg zu ermöglichen.
Die vorgestellte Arbeit demonstriert, wie OpenClaw durch eine entkoppelte Agenten-Fertigkeiten-Architektur komplexe computergestützte Chemie-Workflows automatisiert, indem sie Planung, Domänenwissen und die Ausführung auf heterogenen Hochleistungsrechnern entkoppelt und dabei robuste Fehlerbehandlung sowie skalierbare Prozesse ermöglicht.
Die Studie entwickelt ein Modell für die Diffusions-Oszillations-Dynamik von flüssigem Wasser, das auf Dielektrikumspektroskopie-Daten basiert und erstmals Verbindungen zwischen der Gleichstromleitfähigkeit, verschiedenen Relaxationsprozessen sowie dem Infrarotabsorptionspeak herstellt, um die charakteristischen Lebensdauern von Wassermolekülen und -ionen zu bestimmen und das Gittermodell der Protonenmobilität zu erklären.