🔬 Category

physics.chem-ph

771 articoli

La fisica che studia le interazioni tra chimica e processi fisici, spesso indicata come Chem-Ph, esplora il affascinante confine dove le molecole incontrano le leggi fondamentali della natura. In questo settore, i ricercatori analizzano come le strutture atomiche influenzano le reazioni chimiche e come le forze fisiche guidino la formazione di nuovi materiali, rendendo comprensibili fenomeni complessi che stanno alla base della nostra realtà quotidiana.

Su Gist.Science, selezioniamo e processiamo ogni nuovo preprint pubblicato su arXiv in questa categoria, trasformando i risultati accademici grezzi in risorse accessibili. Per ogni studio, offriamo sia una spiegazione chiara e semplice, ideale per i non esperti, sia un riassunto tecnico dettagliato per gli specialisti, garantendo che la scienza avanzata sia fruibile da tutti.

Di seguito troverete le ultime pubblicazioni in questo campo, aggiornate in tempo reale direttamente dalla fonte originale.

GENIUS: An Agentic AI Framework for Autonomous Design and Execution of Simulation Protocols

Il documento introduce GENIUS, un framework di intelligenza artificiale agente che integra un grafo della conoscenza di Quantum ESPRESSO con una gerarchia di modelli linguistici su più livelli e un recupero degli errori a stati finiti per generare, validare e riparare autonomamente protocolli di simulazione DFT, democratizzando così la scoperta di materiali ottenendo tassi di successo elevati e riducendo significativamente costi ed allucinazioni rispetto agli approcci standard basati su modelli linguistici.

Mohammad Soleymanibrojeni, Roland Aydin, Diego Guedes-Sobrinho, Alexandre C. Dias, Maurício J. Piotrowski, Wolfgang Wenzel, Celso Ricardo Caldeira Rêgo2026-05-25🔬 cond-mat.mtrl-sci

Energy-Guided Generative Modeling for Low-Energy Molecular Structure Discovery

Questo articolo introduce EnFlow, un nuovo framework generativo guidato dall'energia che integra la generazione di conformeri basata sul flusso con la modellazione appresa del paesaggio energetico per produrre in modo efficiente strutture molecolari a bassa energia, diverse e fisicamente accurate, e identificare gli stati fondamentali in appena uno o due passaggi di campionamento.

Guikun Xu, Xiaohan Yi, Ziqiao Meng, Peilin Zhao, Yatao Bian2026-05-25🔬 physics

Quantum-Accurate Conformational Stabilities and Vibrational Dynamics in Molecules and Proteins with Machine-Learned Force Fields

Questo lavoro dimostra che i campi di forza appresi tramite machine learning, in particolare il modello SO3LR, superano significativamente la meccanica molecolare convenzionale nella riproduzione accurata delle energie conformazionali e della dinamica vibrazionale di livello quantistico in sistemi biomolecolari diversi, consentendo simulazioni validate spettroscopicamente a una frazione del costo computazionale.

Sergio Suárez-Dou, Miguel Gallegos, Kyunghoon Han, Florian N. Brünig, Joshua T. Berryman, Alexandre Tkatchenko2026-05-25🔬 physics

Drift-React: One-step Generation of Reaction Pathways via SE(3) Drifting Fields

Drift-React è un nuovo framework generativo equivariante rispetto a SE(3) che prevede percorsi di reazione completi e fisicamente coerenti in un'unica passata in avanti a partire dalle geometrie dei reagenti e dei prodotti, eliminando la necessità di valutazioni iterative e costose delle forze e ottenendo al contempo una precisione allo stato dell'arte e un aumento di velocità di ordini di grandezza per l'esplorazione di reti di reazione su larga scala.

Rémi Schlama, Philippe Schwaller2026-05-25🔬 physics

Nonlinear order separation in two-dimensional electronic spectroscopy quantifies properties of higher-excited states

Questo lavoro dimostra una tecnica per separare molteplici ordini non lineari nella spettroscopia elettronica bidimensionale variando le intensità degli impulsi di pompaggio, consentendo la caratterizzazione quantitativa di stati altamente eccitati, come i momenti di dipolo di transizione e i livelli energetici, in un dimero di squaraina con un eccellente accordo tra teoria e esperimento.

Katja Mayershofer, Peter A. Rose, Julian Lüttig, Luisa Brenneis, Simon Büttner, Jacob J. Krich, Tobias Brixner2026-05-25🔬 physics.optics

Frontier Orbital Engineering in Heteroatom-Doped Prototypical Organic Dyes for Dye-Sensitized Solar Cells

Questo studio stabilisce un efficiente e ottimizzato framework DFT-TDDFT per lo screening di coloranti organici drogati con eteroatomi per celle solari sensibilizzate con colorante, rivelando che il drogaggio con boro carente di elettroni riduce efficacemente il gap HOMO-LUMO e sposta verso il rosso le eccitazioni di trasferimento di carica per migliorare la raccolta della luce solare.

Aditi Singh, Ram Dhari Pandey, Subrata Jana, Prasanjit Samal, Paweł Tecmer, Szymon Śmiga2026-05-22🔬 physics

Large Language Model Agent for User-friendly Chemical Process Simulations

Questo documento presenta un agente di Large Language Model integrato con AVEVA Process Simulation tramite il Model Context Protocol, che abilita l'interazione in linguaggio naturale per automatizzare compiti complessi dei processi chimici come analisi, ottimizzazione e sintesi degli schemi di flusso, migliorando così sia l'accessibilità educativa sia l'efficienza professionale, pur richiedendo comunque la supervisione di esperti.

Jingkang Liang, Niklas Groll, Gürkan Sin2026-05-22🤖 cs.AI

Accurate starting points for one-shot G0W0G_0W_0 and Bethe-Salpeter Equation calculations via effective tuning of range-separated hybrid functionals

Questo articolo dimostra che un protocollo di sintonizzazione efficace recentemente proposto per i funzionali ibridi a separazione di raggio fornisce un'alternativa computazionalmente efficiente e accurata alle ottimizzazioni convenzionali multistadio, producendo punti di partenza affidabili per calcoli one-shot G0W0G_0W_0 e dell'Equazione di Bethe-Salpeter di potenziali di ionizzazione e proprietà di eccitazione su sistemi molecolari diversificati.

Aditi Singh, Subrata Jana, Szymon Śmiga2026-05-22🔬 physics

Benchmarking machine-learned interatomic potentials for molecular infrared spectroscopy

Questo studio confronta cinque potenziali interatomici appresi tramite machine learning (SchNet, FieldSchNet, SO3Net, PaiNN e MACE) per la previsione degli spettri infrarossi molecolari, rilevando che, sebbene tutti i modelli raggiungano un'alta accuratezza sui dati di addestramento, le architetture equivarianti (SO3Net, PaiNN e MACE) dimostrano una generalizzazione superiore verso sistemi non visti, con PaiNN che offre il miglior equilibrio tra efficienza e accuratezza e MACE che fornisce la massima accuratezza spettrale.

Nitik Bhatia, Ondrej Krejci, Patrick Rinke2026-05-22🔬 physics