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.
Lo studio dimostra che il confinamento dell'acqua all'interfaccia con materiali carboniosi genera una capacità elettrochimica ad alta densità energetica, permettendo lo sviluppo di prototipi di supercapacitori "solo acqua" competitivi con le batterie esistenti e privi di elettroliti.
Questo articolo propone un modello statistico basato sull'ensemble canonico e sul modello a goccia nucleare per calcolare la distribuzione delle dimensioni dei cluster di ionizzazione in nanodosimetria, dimostrando la sua fattibilità per primari a bassa energia in nanovolumi dove i modelli a traiettoria non sono applicabili.
Questo studio stabilisce una gerarchia di approssimazioni che collega la chimica teorica al campionamento bosonico gaussiano, dimostrando sperimentalmente che per molecole come l'acido formico il campionamento da stati coerenti multipli può sostituire l'approccio GBS completo, migliorando la precisione degli spettri vibronici simulati.
Lo studio valuta l'accuratezza e l'efficienza di potenziali interatomici di apprendimento automatico universali (uMLIPs) nella simulazione di nanoparticelle di rame su supporti di allumina, dimostrando che modelli come MACE-OMAT e MatterSim-v1.0.0-1M possono identificare strutture stabili e riprodurre dinamiche atomiche con precisione paragonabile a modelli specifici, sebbene a un costo computazionale significativamente superiore.
Questo lavoro presenta un modello di solvente implicito fondazionale che, distillando le informazioni evolutive apprese dal modello linguistico proteico ESM3 in una rete neurale grafica, supera i limiti delle formulazioni tradizionali consentendo simulazioni di dinamica molecolare stabili e accurate sia per proteine ripiegate che intrinsecamente disordinate.
Questo studio applica il modello di difetto aperiodico (ADM) alla monovacanza caricata negativamente nel fosforene, ottenendo energie di formazione e di eccitazione di riferimento ad alta precisione che dimostrano come tale metodo colmi il divario tra la fisica dello stato solido e la chimica quantistica molecolare evitando le interazioni spurie tipiche degli approcci convenzionali.
Utilizzando la dinamica molecolare basata su potenziali deep learning e un approccio guidato dai dati, lo studio dimostra che la polarizzazione elettronica collettiva e le asimmetrie strutturali nei legami idrogeno all'interfaccia decano-acqua generano un trasferimento di carica netto dall'acqua all'idrocarburo, spiegando così la carica negativa spontanea delle goccioline d'olio.
Questo studio dimostra che il rilevamento degli ioni generati dall'esplosione di Coulomb indotta da laser a raggi X permette di ricostruire con precisione l'orientazione di proteine gassose, migliorando significativamente la qualità delle ricostruzioni tridimensionali della densità elettronica rispetto alle tecniche di imaging a singola particella che si basano esclusivamente sui dati di diffrazione.
Questo studio teorico indaga la struttura elettronica e le proprietà dei monocalcogenuri di radio (RaO, RaS, RaSe) e degli ioni RaO+/−, rivelando che i dimeri neutri possiedono grandi momenti di dipolo permanente e polarizzabilità, con fattori di Franck-Condon fortemente non diagonali, attribuibili al carattere divalente del loro legame chimico.
Integrando teoria degli stati liquidi e deep learning, questo studio introduce il concetto di "dielettrocapillarità", dimostrando come i gradienti di campo elettrico permettano un controllo preciso delle transizioni di fase e dell'assorbimento dei fluidi polari confinati, con applicazioni promettenti nell'accumulo energetico, nella separazione dei gas e nella nanofluidica neuromorfica.