1002 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.
Dit onderzoek toont aan dat bij niet-Born-Oppenheimer-berekeningen van protonaffiniteiten de gebruikte elektronische basisfuncties op de kwantumprotonen ongecontracteerd moeten worden gebruikt om de convergentie aanzienlijk te versnellen, terwijl de protonische basisfuncties reeds voldoende nauwkeurig zijn.
Dit artikel stelt methoden voor om sterk gepolariseerde moleculaire bundels te produceren via microgolf- of infrarot-excitatie, wat toepassingen mogelijk maakt zoals signaalversterking in NMR en spin-gepolariseerde kernfusie.
In dit artikel wordt de berekening van de een-deeltjes gereduceerde dichtheidsmatrix voor Aufbau-suppressie gekoppelde clustertheorie afgeleid en geïmplementeerd, waarbij wordt aangetoond dat het herhaaldelijk oplossen van de vergelijkingen in natuurlijke orbitalen de afhankelijkheid van de startorbitalen elimineert en dat de methode voor dipoolmomenten vergelijkbare nauwkeurigheid biedt als lineaire respons- en vergelijking-beweging gekoppelde clustertheorie.
Dit onderzoek toont aan dat het integreren van lange-afstandscorrecties in machine learning-potentialen essentieel is voor het verbeteren van de generalisatie en overdraagbaarheid naar onbekende chemische ruimtes, en introduceert een robuust raamwerk voor het beoordelen van deze prestaties, met name binnen metaal-organische kaders.
QMCkl is een modulaire, hoogpresterende kernelbibliotheek die de berekening van elektronische structuren met Quantum Monte Carlo-versnelt en versnelt door hardware-specifieke optimalisatie te scheiden van algoritmische ontwikkeling, terwijl het compatibiliteit biedt met bestaande codes en het TREXIO-standaardformaat.
Deze studie toont aan dat lineaire regressiemodellen voor het voorspellen van lipofiliciteit fundamenteel tekortschieten door heteroskedasticiteit, terwijl boomgebaseerde ensemblemethoden niet alleen superieure prestaties leveren maar ook een multicollineariteitsparadox oplossen waarbij moleculair gewicht, ondanks een zwakke bivariate correlatie, de belangrijkste voorspeller blijkt te zijn.
Dit artikel presenteert een survey en empirische GPU-characterisatie van vier neurale netwerk-variële Monte Carlo-ansätze, waarbij wordt aangetoond dat de prestaties vaak worden beperkt door rekenintensieve elementaire bewerkingen en gegevensoverdracht, wat leidt tot aanbevelingen voor algoritme-hardware co-design.
In dit werk wordt de spin-flip configuratie-interactie methode uitgebreid naar het domein van de kwantum-elektrodynamica (QED-SF-CIS) om sterke statische correlatie in moleculen die sterk gekoppeld zijn aan een quantized stralingsveld nauwkeurig te beschrijven, waarbij wordt aangetoond dat de opname van dubbele excitaties en meerdere fotonische excitaties essentieel is voor het correct modelleren van processen zoals bindingsbreking.
Dit artikel introduceert sbml4md, een op machine learning gebaseerd computatieplatform dat parameters voor multimode anharmonische Browniaanse modellen extrahert uit moleculaire dynamica-trajecten om niet-lineaire vibratiespectra van moleculaire vloeistoffen nauwkeurig te simuleren zonder empirische aanpassing.
In dit artikel worden de intramoleculaire dynamiek en 2D-correlatie-infraroodspectra van vloeibaar H2O en D2O onderzocht door middel van machine learning-modellen op basis van moleculaire dynamica, gekoppeld aan een hiërarchische vergelijkingen van beweging (HEOM)-benadering om de niet-Markoviaanse interacties en isotoopeffecten in de vibratie-ontspanning nauwkeurig te beschrijven.