155 articoli
Il paper presenta AllScAIP, un potenziale interatomico basato su machine learning che utilizza un meccanismo di attenzione "all-to-all" per catturare in modo efficiente e preciso le interazioni a lungo raggio in sistemi su larga scala, superando i limiti dei modelli basati su bias fisici quando si dispone di grandi quantità di dati.
Il paper dimostra che violare il principio di normalizzazione alla carica elettronica totale, applicando invece correzioni derivate dall'asintotica di Weyl, può migliorare significativamente l'accuratezza dei calcoli energetici nei funzionali di densità approssimati.
Questo articolo presenta un metodo di campionamento "spotlight" che riduce drasticamente la complessità computazionale del Monte Carlo variazionale per il calcolo delle differenze di energia chimica, portandola da una dipendenza cubica a una lineare rispetto alla dimensione del sistema.
Gli autori hanno sviluppato un metodo EA-ADC(3) a costi ridotti basato su orbitali naturali congelati specifici per lo stato, che combina densità di fitting e funzioni ausiliarie naturali troncate per ottenere un'accuratezza controllabile e un significativo aumento della velocità, permettendo calcoli su sistemi con oltre 1300 funzioni di base.
Il documento presenta l'algoritmo Spin-MInt, un nuovo propagatore simplettico, accurato e veloce che permette di evolvere direttamente le variabili di mappatura spin per la dinamica non adiabatica, superando le limitazioni dei metodi precedenti e garantendo la conservazione della struttura geometrica del sistema.
Questo studio dimostra che l'effetto Casimir in acqua salata presenta una componente universale a lungo raggio, derivante dalle fluttuazioni elettromagnetiche, che domina le interazioni non universali alle distanze rilevanti per le fibre di actina all'interno delle cellule, suggerendo implicazioni significative a scala biologica.
Il paper presenta un protocollo di preparazione dello stato fondamentale dissipativo che sfrutta il percorso di reazione come primitiva computazionale, utilizzando rotazioni orbitali allineate e raffreddamento dissipativo per preparare efficientemente stati fondamentali di sistemi chimici fortemente correlati con una complessità di gate scalabile come .
Questo lavoro introduce un framework ibrido quantistico-classico riproducibile che, integrando una mappatura di feature ispirata alla meccanica quantistica con descrittori strutturali classici in una Deep Quantum Neural Network, migliora significativamente l'accuratezza e la generalizzazione nella previsione dei valori pKa a livello di residuo rispetto ai modelli puramente classici.
Il documento presenta Matlantis-PFP v8, un potenziale interatomico universale basato su machine learning addestrato sulla superficie di energia potenziale del funzionale r2SCAN, che supera i limiti di accuratezza dei modelli precedenti basati su PBE e offre previsioni sistematicamente più precise rispetto ai dati sperimentali per cristalli, molecole e superfici, inclusi punti di fusione con errori ridotti della metà.
Il paper descrive lo sviluppo di due piattaforme su chip per la micropatterning di idrogeli fotopolimerizzabili (PEGDA-PEG) mediante l'uso di array di pilastri o maschere ottiche, al fine di studiare e controllare la diffusione di molecole per applicazioni che vanno dal biosensing ai dispositivi elettronici.
Questo studio dimostra che la stabilità dei pattern metastabili nei sistemi di reazione-diffusione fuori equilibrio è determinata dall'entropia dei percorsi di transizione, un fattore cruciale che modifica i tassi di uscita in sistemi con numero finito di particelle e che può essere calcolato efficientemente tramite un nuovo framework di istantoni non equilibrati.
Lo studio risolve il mistero della scivolosità del ghiaccio dimostrando che, sebbene la formazione iniziale di un film lubrificante possa avvenire senza riscaldamento, la sua estrema scivolosità è determinata dal riscaldamento da attrito che porta le temperature di contatto al punto di fusione, confermando così la teoria di Bowden e Hughes del 1939.
Il paper introduce ChemFit, un framework Python flessibile e concorrente progettato per semplificare l'ottimizzazione dei parametri in chimica computazionale permettendo la valutazione massivamente parallela di funzioni obiettivo complesse e eterogenee in combinazione con algoritmi di ottimizzazione senza gradienti.
Lo studio dimostra che il metodo perturbativo O2BMP2 offre un equilibrio ottimale tra accuratezza ed efficienza computazionale, permettendo la previsione affidabile degli stati eccitati con gap singoletto-tripletto invertito necessari per lo sviluppo di materiali OLED avanzati.
Questo articolo presenta l'applicazione della teoria delle perturbazioni auto-consistente OBMP2 per la previsione accurata delle energie di eccitazione del bordo K, dimostrando che il protocollo SCF basato su OBMP2 supera le prestazioni di tecniche consolidate come DFT ed EOM-CCSD sia per sistemi a guscio chiuso che aperti.
Questo studio dimostra che un modello di machine learning potenziato da proprietà termodinamiche calcolate tramite dinamica molecolare supera i limiti dei metodi basati sulla struttura, consentendo previsioni accurate di punti di ebollizione anche per classi chimiche completamente estranee al set di addestramento.
Il paper presenta un framework quantistico basato su misurazioni per valutare gli elementi di matrice di sovrapposizione e Hamiltoniana in funzioni d'onda SCGVB, utilizzando circuiti privi di ancilla e a bassa profondità che evitano le operazioni controllate tipiche del test di Hadamard, rendendo così fattibile l'assistenza quantistica per metodi di legame di valenza non ortogonali su architetture NISQ.
Questo articolo presenta una derivazione rigorosa della teoria del funzionale di densità ibrido doppio autoconsistente (OBDHF), che risolve l'inconsistenza teorica dei metodi convenzionali integrando la correlazione MP2 di secondo ordine direttamente nell'Hamiltoniana efficace del formalismo di Kohn-Sham generalizzato senza ricorrere a potenziali efficaci ottimizzati.
Questo studio *ab initio* rivela che i tempi di rilassamento di spin nei complessi di Yb(III) sono governati da processi Raman attivati da fononi a bassa energia, dimostrando che le correlazioni tra struttura molecolare e accoppiamento spin-fonone sono altamente non banali e richiedono approcci computazionali predittivi piuttosto che semplici correlazioni magneto-strutturali per guidare la progettazione chimica futura.
Il paper introduce un framework di reti neurali che modella l'intera funzione d'onda quantistica di sistemi interagenti (elettroni, nuclei e muoni) rispettando l'invarianza permutazionale, permettendo così di catturare effetti quantistici completi oltre l'approssimazione di Born-Oppenheimer in modo computazionalmente efficiente.