1031 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 Autoren stellen eine hocheffiziente Multi-GPU-Implementierung der MBE(3)-OSV-MP2-Methode vor, die durch optimierte CUDA-Kernel und lokale Korrelationsalgorithmen eine lineare Skalierung ermöglicht und damit ab-initio-Rechnungen für große Biomoleküle wie Insulin in bisher unerreichter Geschwindigkeit auf Grafikkarten durchführt.
Die Studie stellt das „All-in-one" ANI-Modellarchitektur vor, das durch multimodales Lernen quantenchemische Daten verschiedener Genauigkeitsstufen vereint und als skalierbare, universelle Fundamentalmode für organische Moleküle dient, die in die UAIQM-Bibliothek und MLatom-Pakete integriert wird.
Die Autoren stellen Aitomia vor, eine KI-gestützte Plattform, die durch den Einsatz von Chatbots und Multi-Agenten-Systemen Experten und Laien bei der Durchführung, Analyse und Zusammenfassung komplexer atomistischer und quantenchemischer Simulationen unterstützt und so die Forschung in diesem Bereich demokratisiert.
Die Studie stellt MDtrajNet und das vortrainierte Basismodell MDtrajNet-1 vor, eine neuartige neuronale Architektur, die mittels Äquivarianz und Transformer-Technologie Molekulardynamik-Trajektorien direkt über den chemischen Raum hinweg generiert und dabei die Rechengeschwindigkeit um bis zu zwei Größenordnungen steigert, ohne auf herkömmliche Kraftberechnungen oder numerische Integration angewiesen zu sein.
Die Autoren stellen einen neuartigen, domänenspezifischen Deskriptor und ein Phasenkorrekturverfahren vor, die es erstmals ermöglichen, nichtadiabatische Kopplungsvektoren mit einer Genauigkeit von über maschinell zu lernen und so präzise, voll ML-gesteuerte Fewest-Switches-Oberflächenspringen-Simulationen (FSSH) für Fulven zu ermöglichen.
Die Studie stellt die r²SCANY@r²SCANX-Methode vor, die durch die Verwendung unterschiedlicher Anteile exakten Hartree-Fock-Austauschs für Elektronendichte und Gesamtenergie die Selbstwechselwirkungsfehler in r²SCAN reduziert und damit die Vorhersagegenauigkeit für elektronische, magnetische und thermochemische Eigenschaften von Übergangsmetalloxiden signifikant verbessert.
Die Autoren lösen die Instabilität des Wang-Teter-Kinetischen-Energie-Dichtefunktional bei isolierten Systemen durch die Einführung eines dichteabhängigen Kerns, wodurch eine signifikante Genauigkeitssteigerung bei atomaren Systemen erreicht wird, ohne die Effizienz oder die hohe Präzision in Bulk-Metallen zu beeinträchtigen.
Die Studie belegt durch cross-validierte Messungen an vier Isotopologen von Eis und Wasser, dass die dielektrische Relaxation durch einen klassischen Protonentransfer über eine Energiebarriere und nicht durch eine molekulare Neuorientierung gesteuert wird, was durch eine temperaturunabhängige Aktivierungsenergie und ein konstantes H₂O/D₂O-Ratenverhältnis von 2,0 bestätigt wird.
Das Paper stellt AceFF vor, einen vortrainierten maschinellen Lern-Interatompotential, der auf der TensorNet2-Architektur basiert und durch seine hohe Genauigkeit auf DFT-Niveau bei gleichzeitig hoher Geschwindigkeit sowie seine breite Abdeckung von medizinisch relevanten Elementen und Ladungszuständen einen neuen State-of-the-Art für die Wirkstoffentwicklung kleiner Moleküle darstellt.
Die Arbeit formuliert eine verallgemeinerte Förster-Theorie mit einer exakten zeitabhängigen Faktorisierung, die eine Master-Gleichung für den reduzierten statistischen Operator liefert und damit sowohl schnelle kohärente Anfangseffekte als auch den Übergang zur klassischen Rate-Theorie korrekt beschreibt.