1032 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 Studie stellt ein Bayesian-Optimierungs-Framework vor, das mithilfe von physikbasierten, niedrigdimensionalen Deskriptoren und einer zuverlässigen inversen Abbildung effizient chemische Verbindungen mit Ziel-Eigenschaften wie Entropie und Nullpunktschwingungsenergie in Daten-knappen Szenarien identifiziert.
Die Studie stellt ein hybrides Machine-Learning-Modell namens ESE vor, das die Stokes-Einstein-Gleichung mit neuronalen Netzen kombiniert, um unter Verwendung lediglich von SMILES-Strings physikalisch konsistente und genauere Vorhersagen für Diffusionskoeffizienten in Flüssigkeiten bei unendlicher Verdünnung zu ermöglichen.
Das Paper stellt ChemFlow vor, ein neuartiges hierarchisches neuronales Netzwerk, das durch die Integration von atomaren, funktionellen Gruppen- und Moleküleigenschaften sowie durch konzentrationsabhängige Aufmerksamkeitsmechanismen die Genauigkeit bei der Vorhersage physikochemischer Eigenschaften komplexer chemischer Mischungen im Vergleich zu bestehenden Methoden signifikant verbessert.
Diese Arbeit stellt eine neue perturbative Super-CI-Methode (Super-CIPT) zur orbitalen Optimierung im Rahmen des zwei-komponentigen CASSCF-Verfahrens vor, die durch die konsistente Einbeziehung der Spin-Bahn-Kopplung und relativistischer Effekte eine robuste und präzise Behandlung von Vielteilchensystemen mit starken relativistischen Wechselwirkungen ermöglicht.
Die Autoren haben ein Open-Source-Universal-MLIP für 97 Elemente entwickelt, das durch die Integration eines neu erstellten Datensatzes mit schweren Elementen (HE26) die bisherige Abdeckung erweitert und somit neue Wege für Anwendungen im Nuklearbereich, wie etwa die Entwicklung von Hoch-Entropie-Keramik auf Actinidenbasis, eröffnet.
Diese Arbeit stellt einen physik-informierten Ansatz vor, der Graph Neural Networks und Transformer-Modelle nutzt, um die dreidimensionale lokale Struktur von Festkörpern direkt aus XANES-Daten zu bestimmen, ohne dass eine manuelle Zusammenfassung struktureller Parameter erforderlich ist.
Diese Arbeit stellt eine neu implementierte und validierte Methode zur Lösung der Dirac-Gleichung in einem Vier-Komponenten-Rahmen mit Multiwavelets vor, die durch die Verwendung des quadrierten Operators negative Energiezustände vermeidet, die Konvergenz verbessert und eine Minimierung ermöglicht.
Die vorgestellte Arbeit verbindet die Ähnlichkeit lokaler atomarer Umgebungen mit der Informationsentropie, um ein neues Maß für die molekulare Komplexität und Ähnlichkeit zu etablieren, das auf SMILES-basierten Substrukturen sowie dem SOAP-Kernel beruht und sich als vielseitig anwendbar erweist.
Die Arbeit stellt GODD vor, ein diffusionsbasiertes Framework, das mithilfe eines asymmetrischen äquivarianten Autoencoders und distributioneller struktureller Priors 3D-Moleküle auch in datenarmen Bereichen generiert, indem es auf Daten aus dichten Regionen trainiert wird und dabei strukturelle Out-of-Distribution-Shifts wie neue Gerüste oder funktionelle Gruppen erfolgreich bewältigt.
Die Arbeit beschreibt die Dissoziationsmikrozustände mehrprotoniger Säuren mithilfe von Mengen- und Graphentheorie und identifiziert deren Graph-Automorphismengruppe als das direkte Produkt der zyklischen Gruppe und der symmetrischen Gruppe .