785 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.
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.
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.
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 e dell'Equazione di Bethe-Salpeter di potenziali di ionizzazione e proprietà di eccitazione su sistemi molecolari diversificati.
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.
Questa prospettiva esamina e confronta i metodi che recuperano la correlazione dinamica per le funzioni d'onda multiriferimento utilizzando matrici di densità ridotte di basso ordine, rilevando che, sebbene MC-srPDFT sia l'approccio basato su DFT più accurato, AC0 linearizzato supera i metodi DFT e compete con la teoria delle perturbazioni costosa nella previsione dell'energetica degli stati di spin per complessi di metalli di transizione.
Questo lavoro stabilisce teoricamente l'analiticità reale delle ampiezze di coupled cluster a singolo riferimento rispetto alle coordinate nucleari in condizioni di non degenerazione, identifica e mitiga gli artefatti di regolarità causati dagli orbitali canonici e convalida la fattibilità dell'interpolazione di tali ampiezze per ridurre i costi computazionali nei calcoli dell'energia molecolare.
Questo articolo presenta mlip v2, una nuova generazione di software open-source che potenzia l'efficienza, la scalabilità e la flessibilità dei potenziali interatomici basati sull'apprendimento automatico grazie a un'API modulare riprogettata, un backend equivariante ad alte prestazioni e funzionalità avanzate come l'architettura eSEN e una gestione migliorata delle interazioni elettrostatiche.
Questo articolo introduce PASPT2, una nuova teoria di perturbazione del secondo ordine multi-riferimento multi-stato a spazio parziale attivo che ottiene la stretta estensività dimensionale e la consistenza dimensionale per sistemi fortemente correlati impiegando un hamiltoniano di ordine zero specifico del riferimento per eliminare i termini sconnessi presenti nella sua formulazione genitrice di cluster accoppiato.
DynaMate2 è un framework agenziale gerarchico open-source che democratizza i flussi di lavoro scientifici guidati dall'IA consentendo ai ricercatori di convertire facilmente i propri strumenti Python esistenti, definiti da esperti, in componenti richiamabili dall'IA senza richiedere al LLM di generare codice scientifico, riducendo così la barriera all'automazione in ambiti come la chimica computazionale.
Questo lavoro presenta un quadro teorico-informazionale basato su misure di entropia e divergenza J per valutare e confrontare le densità elettroniche atomiche e molecolari in diversi scenari fisici, fornendo indicazioni per la selezione di determinanti di riferimento ottimali e guidando lo sviluppo di nuovi funzionali di densità.