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 Perspektive fasst die Ergebnisse eines 2023 initiierten Vorhersage-Challenges zusammen, bei dem 15 theoretische Teams die Photochemie von Cyclobutanon und dessen zeitaufgelöste MeV-UED-Signale erfolgreich simulierten, um die Stärken und Schwächen verschiedener Methoden der nichtadiabatischen Molekulardynamik zu bewerten und die Reife des Feldes zu demonstrieren.
Die Autoren stellen eine effiziente Implementierung der relativistischen linear-response Coupled-Cluster-Singles-and-Doubles-Theorie vor, die Perturbation-sensitive natürliche Spinoren und eine Cholesky-Zerlegung kombiniert, um kostengünstige und skalierbare Berechnungen von Polarisierbarkeiten für große Moleküle mit starken relativistischen Effekten zu ermöglichen.
Die Studie stellt die neue EOM-fpCCSD-Methode vor, die auf einem pCCD-Referenzansatz basiert und im PyBEST-Paket implementiert wurde, um als effiziente und genauere Alternative zu EOM-CCSD besonders für die Beschreibung von Ladungstransfer- und doppelt angeregten Zuständen zu dienen.
Diese Studie demonstriert, dass die Kombination von Sample-based Quantum Diagonalization (SQD) mit der Density Matrix Embedding Theory (DMET) auf IBM-Hardware erfolgreich die Grundzustandsenergien komplexer, niedrigsymmetrischer ligandartiger Moleküle mit chemischer Genauigkeit berechnet, wobei die Berücksichtigung der entanglement-basierten Fragmentierung als Schlüssel für skalierbare Quantenberechnungen erweist.
Die Studie untersucht das Verhalten fluoreszierender molekularer Rotoren in ternären wässrigen PEG-Mischungen, zeigt eine lineare Mischungsregel für die Fluoreszenzlebensdauer auf und nutzt diese Erkenntnisse, um die Anwendbarkeit der Freivolumentheorie zur Beschreibung der Mikroumgebung kritisch zu hinterfragen.
Die Arbeit stellt eine Methode vor, die durch die Einführung einer Modellladungsdichte zur Kompensation von Multipolmomenten die Konvergenz von Ewald-Summen für die Berechnung des elektrostatischen Potentials in kondensierten Phasen beschleunigt und dabei die Implementierung im CRYSTAL-Code klärt.
Die Arbeit stellt „El Agente Estructural" vor, einen multimodalen, sprachgesteuerten Agenten, der durch die Integration von visuell-sprachlichen Modellen und domänenspezifischen Werkzeugen präzise, kontextbewusste Manipulationen von Molekülgeometrien in drei Dimensionen ermöglicht, anstatt lediglich neue Strukturen zu generieren.
Die Studie erweitert eine Quantenchemische Bindungsdatenbank auf etwa 13.000 Materialien und zeigt durch systematische Tests, dass die Integration dieser Bindungsdeskriptoren in Machine-Learning-Modelle nicht nur die Vorhersagegenauigkeit für elastische, vibratorische und thermodynamische Eigenschaften verbessert, sondern auch intuitive physikalische Ausdrücke mittels symbolischer Regression ermöglicht.
Die Studie entwickelt einen Rahmen zur Rekonstruktion der Spinoren von Cr³⁺-Ionen in Gläsern aus optischen Messdaten, um die Spin-Bahn-verschränkungsentropie zu quantifizieren und eine robuste lineare Korrelation zwischen dieser Entropie und dem Verhältnis von Spin-Bahn-Kopplung zu Kristallfeldstärke nachzuweisen.
UBio-MolFM ist ein universelles molekulares Fundamentmodell, das durch eine maßgeschneiderte Bio-Datenbank, einen effizienten äquivarianten Transformer und ein dreistufiges Curriculum-Learning die Lücke zwischen quantenmechanischer Genauigkeit und biologischer Skalierbarkeit schließt, um präzise Simulationen großer Biomoleküle zu ermöglichen.