🔬 Category

physics.chem-ph

150 articles

Information Routing in Atomistic Foundation Models: How Task Alignment and Equivariance Shape Linear Disentanglement

Cette étude introduit la décomposition de sonde compositionnelle (CPD) pour démontrer que l'alignement de la tâche d'entraînement, plutôt que l'architecture du modèle, détermine la séparation linéaire des informations géométriques et compositionnelles dans les modèles de fondation atomistiques, tout en révélant un routage de l'information par symétrie au sein des représentations MACE.

Joshua SteierTue, 10 Ma🤖 cs.LG

From Accurate Quantum Chemistry to Converged Thermodynamics for Ion Pairing in Solution

En combinant des avancées en apprentissage automatique et en théorie de la structure électronique, cette étude démontre que l'obtention d'une précision quantitative pour l'énergie libre d'appariement ionique du CaCO₃ en solution aqueuse nécessite de dépasser la théorie de la fonctionnelle de la densité standard pour atteindre le niveau de théorie couplée CCSD(T).

Niamh O'Neill, Benjamin X. Shi, William C. Witt, Blake I. Armstrong, William J. Baldwin, Paolo Raiteri, Christoph Schran, Angelos Michaelides, Julian D. GaleTue, 10 Ma🔬 cond-mat.mtrl-sci

For molecular polaritons, disorder and phonon timescales control the activation of dark states in the thermodynamic limit

En développant une approche hybride MPS-HEOM pour simuler la dynamique des polaritons jusqu'à la limite thermodynamique, cette étude démontre que les échelles de temps des phonons et le désordre dynamique contrôlent l'activation des états sombres et déterminent la taille critique du système nécessaire pour atteindre la limite thermodynamique via la suppression du comportement collectif.

Tianchu Li, Pranay Venkatesh, Qiang Shi, Andrés Montoya-CastilloTue, 10 Ma⚛️ quant-ph

Machine learning the two-electron reduced density matrix in molecules and condensed phases

Cette étude démontre la faisabilité d'apprendre la matrice de densité réduite à deux électrons (2-RDM) par apprentissage automatique pour obtenir des modèles de haute fidélité capables de prédire avec précision les énergies et les forces de systèmes moléculaires complexes, tels que le glucose solvaté, à un coût computationnel équivalent à celui de la méthode Hartree-Fock tout en atteignant la précision du couplage de clusters.

Jessica A. Martinez B., Bhaskar Rana, Xuecheng Shao, Katarzyna Pernal, Michele PavanelloTue, 10 Ma🔬 physics

\textit{Ab Initio} Adiabatic Potential Energy Surfaces and Non-adiabatic Couplings for O3_3: Construction of Four State Diabatic Hamiltonian

Cette étude présente la construction de surfaces d'énergie potentielle adiabatiques et de couplages non adiabatiques pour l'ozone à partir de principes premiers, en utilisant des calculs de haute précision ic-MRCI(Q) pour générer un hamiltonien diabatique à quatre états et localiser les intersections coniques entre les états électroniques.

Avik Guchait, Gourhari Jana, Satyam Ravi, Koushik Naskar, Satrajit AdhikariTue, 10 Ma⚛️ quant-ph

Understanding halide segregation in metal halide perovskites through defect thermodynamics

En s'appuyant sur la thermodynamique des défauts et des calculs de premiers principes, cette étude révèle que la ségrégation des halogénures dans les pérovskites est pilotée par une préférence des ions bromure pour les sites de surface et une oxydation des ions iodure, tout en soulignant le rôle crucial du cation A dans la stabilité de ces matériaux.

Abrar Fahim Navid, Zeeshan AhmadTue, 10 Ma🔬 cond-mat.mtrl-sci

Scaling Machine Learning Interatomic Potentials with Mixtures of Experts

Cette étude présente des architectures de potentiels interatomiques basés sur l'apprentissage automatique utilisant des mélanges d'experts (MoE) qui, grâce à une activation parcimonieuse et un routage élément par élément, atteignent une précision inédite tout en révélant une spécialisation chimique interprétable alignée sur les tendances du tableau périodique.

Yuzhi Liu, Duo Zhang, Anyang Peng, Weinan E, Linfeng Zhang, Han WangTue, 10 Ma🤖 cs.LG

Classically Driven Hybrid Quantum Algorithms with Sequential Givens Rotations for Reduced Measurement Cost

Cet article présente un algorithme hybride quantique-classique novateur qui réduit les coûts de mesure dans les simulations de structure électronique en transformant classiquement l'hamiltonien vers une forme diagonale via des rotations de Givens séquentielles, limitant ainsi la charge quantique à un ensemble fixe et réduit de mesures de matrice.

Benjamin Mokhtar, Noboru Inoue, Takashi TsuchimochiTue, 10 Ma⚛️ quant-ph

Symmetry-based perturbation theory for electronic structure calculations

Cet article présente une théorie de perturbation multi-référence basée sur les symétries (SBPT) qui exploite des symétries supplémentaires du Hamiltonien de référence pour réduire significativement les ressources computationnelles nécessaires aux calculs de structure électronique, tout en offrant des résultats plus précis pour certains systèmes moléculaires.

Hiromichi Nishimura, Nam Nguyen, Tanvi Gujarati, Mario MottaTue, 10 Ma⚛️ quant-ph

On the breakdown of the Born-Oppenheimer approximation in LiH and LiD

Cette étude démontre que l'inclusion des effets quantiques nucléaires dans des calculs de densité fonctionnelle permet de corriger significativement la densité électronique du LiH et du LiD, améliorant ainsi l'accord avec les données expérimentales et révélant une dépendance à la température qui remet en cause la validité stricte de l'approximation de Born-Oppenheimer dans ces solides.

Ville J. HärkönenThu, 12 Ma🔬 cond-mat.mtrl-sci

How Semilocal Are Semilocal Density Functional Approximations? -Tackling Self-Interaction Error in One-Electron Systems

Cette étude présente une approximation méta-GGA non empirique intégrant le laplacien de la densité électronique, qui réduit considérablement l'erreur d'auto-interaction dans le système H2+H_2^+ et offre des résultats de liaison supérieurs à ceux des fonctionnelles PBE et SCAN.

Akilan Ramasamy, Lin Hou, Jorge Vega Bazantes, Tom J. P. Irons, Andrew M. Wibowo-Teale, Timo Lebeda, Jianwei SunThu, 12 Ma🔬 cond-mat.mtrl-sci

Orbital-interaction-aware deep learning model for efficient surface chemistry simulations

Cet article présente DOTA, un modèle d'apprentissage profond basé sur le transformateur DOS qui, en capturant les motifs d'interaction orbitale entre la densité d'états locale et l'énergie d'adsorption, permet de prédire avec une précision chimique les énergies d'adsorption en surface tout en résolvant le « CO puzzle » et en réduisant la dépendance aux données expérimentales rares.

Zhihao Zhang, Xiao-Ming CaoThu, 12 Ma🔬 cond-mat.mtrl-sci