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.

FragmentFlow: Scalable Transition State Generation for Large Molecules

FragmentFlow ist ein neuer „Divide-and-Conquer“-Ansatz zur skalierbaren Generierung von Übergangszuständen, der durch die Vorhersage der reaktiven Kernatome und das anschließende Wiederanfügen von Substituenten die Genauigkeit bei großen Molekülen erhöht und gleichzeitig den Rechenaufwand für Optimierungen reduziert.

Ron Shprints, Peter Holderrieth, Juno Nam, Rafael Gómez-Bombarelli, Tommi Jaakkola2026-02-12🤖 cs.AI

Photoluminescent registration of fullerite C60_{60} derivatives during chemical interaction with H2_{2} and N2_{2} molecules

Die Studie untersucht die photolumineszenten Eigenschaften von C60_{60}-Derivaten, die durch chemische Interaktion mit H2_{2} und N2_{2} bei hohen Temperaturen entstanden sind, und identifiziert dabei erstmals die Lumineszenz von schwach gesättigten Fulleranen sowie von (C59_{59}N)2_{2}-Dimeren.

Victor Zoryansky, Peter Zinoviev, Yuri Semerenko2026-02-12🔬 cond-mat

NMRTrans: Structure Elucidation from Experimental NMR Spectra via Set Transformers

Das Paper stellt NMRTrans vor, ein auf dem neu entwickelten, groß angelegten Korpus NMRSpec basierendes Modell, das mittels Set-Transformern NMR-Spektren als ungeordnete Peak-Mengen modelliert und durch die Nutzung experimenteller Daten eine deutlich verbesserte Genauigkeit bei der Strukturaufklärung erreicht.

Liujia Yang, Zhuo Yang, Jiaqing Xie, Yubin Wang, Ben Gao, Tianfan Fu, Xingjian Wei, Jiaxing Sun, Jiang Wu, Conghui He, Yuqiang Li, Qinying Gu2026-02-12🤖 cs.AI