1015 artículos
Esta sección explora la fascinante intersección donde la física se encuentra con la química, un territorio donde las leyes fundamentales gobiernan las reacciones moleculares. Aquí descubrimos cómo los principios cuánticos explican el comportamiento de los átomos y cómo la dinámica de fluidos influye en procesos químicos complejos, todo sin perderse en tecnicismos innecesarios.
En Gist.Science, rastreamos cada nueva prepublicación de esta área directamente desde arXiv para hacerla accesible a todos. Nuestro equipo procesa cada documento ofreciendo tanto resúmenes en lenguaje sencillo como análisis técnicos detallados, asegurando que la ciencia de vanguardia llegue a expertos y curiosos por igual.
A continuación encontrarán los últimos trabajos publicados en esta categoría, listos para ser explorados y comprendidos.
El artículo presenta OrbEvo, un modelo basado en transformadores gráficos equivariantes que predice con precisión la evolución temporal de las funciones de onda en la teoría del funcional de la densidad dependiente del tiempo (TDDFT) bajo campos externos, logrando una simulación eficiente de la dinámica electrónica y propiedades ópticas sin los costosos pasos de propagación tradicionales.
Los autores presentan y demuestran experimentalmente dos métodos ópticos independientes para la termometría primaria absoluta a escala nanométrica utilizando la distribución de Boltzmann entre subniveles de Stark individuales de iones de tierras raras en nanopartículas de Y₂O₃:Yb³⁺/Er³⁺, eliminando la necesidad de referencias externas de temperatura.
Este artículo introduce un esquema de ajuste óptimo para la teoría de funcional de densidad multiconfiguracional de corto alcance (MC-srDFT) que determina el parámetro de separación de rango mediante la constante de ionización, mejorando significativamente el cálculo de las polarizabilidades dipolares estáticas y dinámicas en comparación con los valores universales tradicionales.
Este estudio utiliza el método de recocido poblacional con un esquema de temperatura adaptativo y un marco de análisis estructural para mapear cuantitativamente el paisaje termodinámico del clúster de Lennard-Jones de 38 átomos, identificando y resolviendo las contribuciones de sus tres cuencas estructurales competitivas (tipo FCC, icosaédrica y líquida) a la energía libre.
El artículo revela que los potenciales interatómicos aprendidos por máquina de corto alcance generan una metalización espuria en capas de agua polar debido a la omisión de interacciones electrostáticas de largo alcance, un error que se corrige al incluir explícitamente dichas interacciones.
Los autores presentan un marco de optimización no paramétrica de coordenadas de reacción que incorpora historias de trayectorias para caracterizar con precisión la dinámica de eventos raros en sistemas complejos, superando las limitaciones de las técnicas estándar de aprendizaje automático y permitiendo el análisis robusto de datos irregulares o incompletos sin necesidad de un muestreo extensivo.
Este estudio presenta una técnica de espectroscopía de generación de suma de frecuencias mejorada por punta (TE-SFG) sensible a la fase que utiliza pulsos láser temporalmente asimétricos para suprimir el fondo no resonante, superar el límite de difracción óptica y detectar señales vibracionales débiles con una resolución nanométrica y la capacidad de determinar orientaciones moleculares absolutas.
Este estudio emplea aprendizaje profundo con funciones de simetría centradas en átomos para identificar coordenadas de reacción precisas en la disociación de pares iónicos de NaCl en agua y utiliza inteligencia artificial explicable para interpretar molecularmente los efectos del solvente mediante el análisis de estructuras de puente de agua.
Este artículo presenta MAD-1.5, un conjunto de datos altamente curado y estandarizado que abarca 102 elementos mediante cálculos DFT r²SCAN consistentes, diseñado para entrenar modelos de aprendizaje automático atómico universales de alta precisión como el potencial interatómico PET-MAD-1.5.
El estudio presenta GET-SEI, un marco general basado en aprendizaje contrastivo de grafos y teoría de trayectorias de transición que descubre automáticamente entornos atómicos locales y cuantifica las rutas de transporte de litio en la interfaz de electrolitos sólidos para optimizar el rendimiento de las baterías.