997 papers
Deze collectie duikt in de fascinerende grensgebieden waar de wetten van de fysica de scheikunde raken. Van het gedrag van atomen in nieuwe materialen tot de complexe interacties die moleculen samenstellen, deze papers verkennen hoe fundamentele krachten onze chemische wereld vormgeven. Het is een dynamisch domein dat vaak vergeten wordt, maar essentieel is voor doorbraken in zowel energieopslag als nieuwe geneesmiddelen.
Elk artikel hieronder komt rechtstreeks vanuit arXiv, de belangrijkste bron voor wetenschappelijke voorpublicaties. Bij Gist.Science verwerken we elke nieuwe preprint in deze categorie direct, zodat je niet alleen toegang krijgt tot de originele technische inhoud, maar ook tot een heldere, begrijpelijke samenvatting in gewone taal. Zo blijft je altijd up-to-date zonder vast te zitten in jargon.
Hieronder vind je de nieuwste publicaties die deze snelle ontwikkelingen in de chemische fysica vastleggen.
Deze paper introduceert COFAP, een universeel raamwerk dat door middel van deep learning en cross-modale synergie covalente organische kaders (COFs) voor gasadsorptie efficiënt en nauwkeurig voorspelt zonder afhankelijk te zijn van specifieke thermodynamische beschrijvers.
De auteurs presenteren een nauwkeurige methode om het random close packing-fracie van binaire harde-schijfmengsels te voorspellen door gebruik te maken van een parameter gebaseerd op de gereduceerde derde viriaalcoëfficiënt, die drie-liggaam-correlaties effectief vastlegt en leidt tot een universele correlatie die superieur is aan eerdere modellen.
Deze studie presenteert een nauwkeurige, volledige dimensionale potentie-energieoppervlakte voor de NH2 + O-reactie, afgeleid van hoogwaardige MRCI-berekeningen en een machine-learningsmodel, die via quasi-klassieke trajectberekeningen betrouwbare kinetische gegevens oplevert voor het optimaliseren van verbrandingsmodellen van stikstofhoudende brandstoffen.
Deze studie presenteert een nauwkeurige, op Gaussian Process Regression gebaseerde potentiaal-energieoppervlakte voor het helium-benzeencomplex, afgeleid van hoogwaardige CCSD(T)-berekeningen, die fundamenteel verschilt van empirische modellen en essentieel is voor het begrijpen van kwantumsolvatatie op grafische materialen.
Deze theoretische studie ontwikkelt een statistisch model voor recurrente fluorescentie in PAH-kationen, waarbij wordt aangetoond dat symmetrie-verboden overgangen een onverwacht grote bijdrage leveren aan het koelingsproces en de stabiliteit van deze moleculen in het interstellair medium.
Deze studie introduceert en valideert een nieuwe XDM-dispersievariant met een op atoomnummers gebaseerde demping, die in combinatie met hybride functies zoals revPBE0 en B86bPBE0 uitstekende en consistente prestaties levert voor zowel de GMTKN55-database als moleculaire kristallen.
Dit artikel introduceert Nexerra-R1, een chemisch taalmodel dat het inverse ontwerp van reticulaire materialen mogelijk maakt door doelgericht organische linkers te genereren, waardoor de systematische ontdekking van nieuwe metaal-organische kaders met specifieke eigenschappen wordt versneld en een volledig computergeneriek framework (CU-525) voor experimentele synthese wordt voorgesteld.
Deze paper introduceert een robuust engine voor geometrie-optimalisatie in PyBEST die analytische gradiënten voor orbital-geoptimaliseerde pair-coupled-cluster doubles (OOpCCD) koppelt aan de geomeTRIC-optimizer, waardoor nauwkeurige moleculaire structuren kunnen worden berekend die zeer dicht bij hoogwaardige referentiewaarden liggen.
Dit onderzoek toont aan dat onvoldoende geconvergeerde instellingen voor elektronische structuurberekeningen de voorspelde eigenschappen van water en ijs kunnen verstoren, en benadrukt dat volledig geconvergeerde referentierekeningen essentieel zijn voor het ontwikkelen van nauwkeurige machine learning-potentieelmodellen.
Deze paper introduceert een unificerend machine learning-raamwerk dat machine-learnde interatomaire potentialen combineert met neurale klassieke dichtheidsfunctionaaltheorie om de thermodynamica en het gedrag van vloeistoffen, zoals water en kooldioxide, over meerdere schaalniveaus nauwkeurig en efficiënt te voorspellen op basis van eerste principes.