155 Arbeiten
Die Arbeit stellt AllScAIP vor, einen skalierbaren, auf All-to-All-Attention basierenden Machine-Learning-Interatomic-Potential-Ansatz, der durch einen rein datengetriebenen Mechanismus langreichweitige Wechselwirkungen präzise erfasst und dabei in großen Datenszenarien traditionelle physikalische Induktionsvoraussetzungen übertrifft.
Die Arbeit zeigt, dass die Verletzung der üblichen Normierungsbedingung auf die Elektronenzahl in näherungsweisen Dichtefunktionalrechnungen die Genauigkeit der Energien verbessern kann, und leitet dafür sowohl in einer Dimension explizit als auch in höheren Dimensionen über Weyl-Asymptotik allgemeine Korrekturformeln her.
Die vorgestellte Arbeit stellt eine „Spotlight Sampling"-Methode vor, die durch die Kombination eines fragmentierten Hamilton-Operators mit korreliertem Sampling die Skalierung der Rechenkosten für Energieunterschiede bei lokalen chemischen Änderungen im Variational Monte Carlo von kubisch auf im Wesentlichen linear reduziert.
Die Autoren stellen eine kostengünstige, nicht-Dysonsche EA-ADC(3)-Methode vor, die auf zustandsspezifischen eingefrorenen natürlichen Orbitalen und Dichteanpassung basiert, um die Elektronenaffinitätsberechnung bei systematisch kontrollierbarer Genauigkeit und signifikant gesteigerter Effizienz auch für große Systeme und nicht-valente Korrelations-anionen zu ermöglichen.
Die Autoren stellen den Spin-MInt-Algorithmus vor, den ersten bekannten symplektischen Propagator für die Spin-Mapping-Darstellung nichtadiabatischer Dynamik, der Spin-Variablen direkt propagiert, geometrische Strukturen erhält und rechnerisch effizienter als bestehende Methoden ist.
Die Studie zeigt, dass der Casimir-Effekt in gesalzenem Wasser durch einen universellen Beitrag elektromagnetischer Fluktuationen eine größere Reichweite besitzt als bisher angenommen, was insbesondere für die Wechselwirkungen von Aktinfasern auf Zellebene von erheblicher Bedeutung ist.
Die Arbeit stellt ein dissipatives Protokoll zur effizienten Vorbereitung von Grundzuständen chemischer Systeme vor, das die Reaktionskoordinate als Recheneinheit nutzt und durch Procrustes-ausgerichtete Orbitalrotationen sowie künstliches dissipatives Kühlen eine Gate-Komplexität von für stark korrelierte Übergangszustände erreicht.
Die vorgestellte Studie entwickelt ein reproduzierbares hybrides Quanten-Klassisch-Framework, das durch eine quanteninspirierte Merkmalsabbildung und ein Deep Quantum Neural Network (DQNN) die Genauigkeit und Generalisierungsfähigkeit der Vorhersage von pKa-Werten auf Restebene in Proteinen verbessert.
Das Papier stellt PFP v8 vor, ein universelles maschinelles Lern-Potenzial, das durch Training auf r2SCAN-Daten die Genauigkeitsgrenzen herkömmlicher PBE-basierter Modelle überwindet und signifikant bessere Übereinstimmungen mit experimentellen Daten sowie präzisere Schmelzpunktvorhersagen ermöglicht.
Diese Arbeit stellt zwei neuartige On-Chip-Plattformen zur In-situ-Polymerisation und Mikropatterning von PEGDA-PEG-Hydrogelen mittels Säulenanordnungen oder photolithografischer Masken vor, um die Diffusion von Molekülen zu untersuchen und zu steuern.
Diese Arbeit etabliert die Pfadentropie als entscheidendes Ordnungsprinzip für die Stabilität von Mustern in Reaktions-Diffusions-Systemen fern vom Gleichgewicht, indem sie zeigt, wie intrinsische Stochastik bei endlicher Teilchenzahl die Übergangsraten zwischen metastabilen Phasen über einen neuen instantonen Rahmenwerk bestimmt.
Die Studie zeigt, dass die Rutschigkeit von Eis zwar durch eine initial entstehende Schmierfilm gebildet werden kann, aber erst durch Reibungswärme, die den Kontaktbereich bis zum Schmelzpunkt erwärmt, vollständig erklärt wird, was frühere nanoskalige Simulationen ohne diesen Effekt nicht leisten konnten.
Das Paper stellt ChemFit vor, ein flexibles Python-Framework, das die parallele Auswertung von simulationsbasierten Zielfunktionen ermöglicht und so eine effiziente, skalierbare und optimiererunabhängige Parametrisierung in der computergestützten Chemie und Physik unterstützt.
Die Studie zeigt, dass die spin-gegenüber skalierte O2BMP2-Störungstheorie eine effiziente und hochgenaue Methode zur Vorhersage invertierter Singulett-Triplett-Übergänge darstellt und somit eine vielversprechende Alternative zu rechenintensiven Hochpräzisionsverfahren für das Hochdurchsatz-Screening von OLED-Materialien bietet.
Die Studie zeigt, dass die neu entwickelte OBMP2-Methode zur Berechnung von K-Rand-Anregungsenergien durch ihre selbstkonsistente Behandlung von Korrelationseffekten etablierte Verfahren wie ΔDFT und EOM-CCSD sowohl bei geschlossenen als auch bei offenen Schalen deutlich übertrifft.
Diese Studie stellt einen physikbasierten Machine-Learning-Ansatz vor, der thermodynamische Deskriptoren aus Molekulardynamik-Simulationen nutzt, um Siedepunkte auch für chemische Klassen vorherzusagen, die in strukturbasierten Modellen aufgrund fehlender Trainingsdaten nicht abgedeckt werden können.
Die Arbeit stellt einen ancilla-freien, messungsbasierten Quantenrahmen vor, der die Berechnung von Überlappungs- und Hamiltonian-Matrixelementen für spin-gekoppelte verallgemeinerte Valenzbindungszustände (SCGVB) durch lokale Pauli-Messungen ermöglicht und somit eine tiefe, hardwarefreundliche Methode für nicht-orthogonale Elektronenstrukturrechnungen bietet.
Dieser Artikel stellt eine rigorose theoretische Herleitung der selbstkonsistenten One-Body-Double-Hybrid-Dichtefunktionaltheorie (OBDHF) vor, die das verallgemeinerte Kohn-Sham-Formalismus mit der OBMP2-Störungstheorie vereint, um die inhärente Inkonsistenz herkömmlicher Double-Hybrid-Funktionale zu überwinden, indem der Korrelationsbeitrag direkt in den effektiven Hamilton-Operator eingebettet wird.
Diese Studie zeigt durch eine vollständige *ab initio*-Analyse von Yb(III)-Molekülen, dass die Spin-Gitter-Relaxation durch Raman-Prozesse gesteuert wird und dass strukturelle Änderungen jenseits der ersten Koordinationskugel zu nicht-trivialen Effekten führen, was einfache magneto-strukturelle Korrelationen als Designwerkzeug unzureichend macht und stattdessen prädiktive First-Principles-Frameworks für die zukünftige Entwicklung molekularer Qubits erfordert.
Diese Arbeit stellt ein permutation-invariantes, multi-skaliertes neuronales Netzwerk vor, das die vollständige Quantenwellenfunktion wechselwirkender Elektronen, Kerne und Myonen jenseits der Born-Oppenheimer-Näherung modelliert und so komplexe Vielteilchenkorrelationen effizient erfasst.