155 papers
Dit paper introduceert AllScAIP, een schaalbaar, op attention gebaseerd machine-learning potentiaalmodel dat door middel van een data-gedreven all-to-all node attention-mechanisme nauwkeurige lange-afstand interacties captureert en daarmee de afhankelijkheid van expliciete fysische termen voor grootschalige systemen zoals biomoleculen en elektrolyten overbodig maakt.
Dit artikel toont aan dat het bewust schenden van de standaard normalisatievoorwaarde voor elektronendichtheden de nauwkeurigheid van benaderende dichtheidsfunctionalen kan verbeteren en levert daarvoor correcties afgeleid uit Weyl-asymptotiek.
Dit artikel introduceert een 'spotlight sampling'-methode die de rekentijd voor variatiele Monte Carlo-simulaties van energiedifferentiaties bij lokale chemische veranderingen aanzienlijk verlaagt door een benaderde gefragmenteerde Hamiltoniaan en gecorreleerde sampling te gebruiken, waardoor de schaalbaarheid met het systeemgrootte lineair wordt.
Deze paper introduceert een kostenefficiënte, niet-Dyson EA-ADC(3)-methode gebaseerd op statespecifieke bevroren natuurlijke orbitalen en dichtheidsfitting, die aanzienlijke snelheidswinst biedt met behoud van nauwkeurigheid voor zowel valentie- als niet-valentie elektronen-aanhechtingsproblemen.
Dit artikel introduceert het Spin-MInt-algoritme, het eerste symplectische propagator dat spin-mappingvariabelen voor niet-adiabatische dynamica direct en nauwkeurig simuleert zonder tussenkomst van Cartesiaanse variabelen, en dat superieure prestaties en efficiëntie biedt vergeleken met bestaande methoden.
Dit artikel toont aan dat de universele bijdrage van elektromagnetische fluctuaties aan het Casimir-effect in gezouten water op de cel-schaal, met name voor actinevezels, dominant is en grotere reikwijdte heeft dan eerder werd aangenomen.
Dit artikel introduceert een protocol voor dissipatieve grondtoestandsvoorbereiding dat de reactiepadstructuur benut om sterk gecorreleerde overgangstoestanden in chemische reacties efficiënt te simuleren met een polynomiale poortcomplexiteit.
Dit artikel introduceert een reproduceerbaar hybride quantum-klassiek raamwerk met een Deep Quantum Neural Network dat residue-pKa-waarden nauwkeuriger voorspelt door quantum-geïnspireerde kenmerken te integreren met klassieke structurele descriptors, waardoor de generalisatie over diverse biochemische omgevingen aanzienlijk wordt verbeterd.
Dit paper introduceert Matlantis-PFP v8, een universeel machine learning interatomair potentiaalmodel getraind op r2SCAN-data dat zonder domeinspecifieke aanpassing systematisch betere overeenkomst met experimenten bereikt dan bestaande PBE-gebaseerde modellen, met name door de fout in geschatte smeltpunten te halveren.
Dit artikel beschrijft de ontwikkeling van twee microfluidische platforms met pillararrays en fotomaskers voor het in situ micropatteren van PEGDA-PEG hydrogels, waarmee de diffusie van moleculen op een chip kan worden bestudeerd en gecontroleerd.
De stabiliteit van patronen in reactie-diffusiesystemen wordt bij een eindig aantal deeltjes niet door thermodynamica, maar door padentropie bepaald, wat de overgangssnelheden tussen metastabiele fasen kwalitatief kan veranderen.
Dit artikel toont aan dat de gladheid van ijs voornamelijk wordt veroorzaakt door wrijvingswarmte die de contacttemperatuur naar het smeltpunt brengt, wat de discrepantie oplost tussen eerdere nanoschaalsimulaties en experimentele gegevens.
Dit paper introduceert ChemFit, een flexibel Python-framework dat de gelijktijdige evaluatie van complexe, simulatie-gebaseerde doelwitfuncties mogelijk maakt om de parameteroptimalisatie in de computationele chemie en fysica te stroomlijnen.
Dit onderzoek toont aan dat de spin-geoppositeerde variant van de zelfconsistente perturbatietheorie (O2BMP2) een efficiënt en nauwkeurig alternatief biedt voor de berekening van omgekeerde singlet-triplet-gaten, waardoor het geschikt is voor high-throughput screening van nieuwe OLED-materialen.
Dit artikel presenteert een nauwkeurige methode voor het voorspellen van K-rand-excitatie-energieën met behulp van een OBMP2-gebaseerde SCF-protocoll die, dankzij een zelfconsistent one-body-effectieve Hamiltoniaan, betere resultaten behaalt dan gevestigde technieken zoals DFT en EOM-CCSD.
Dit artikel introduceert een fysisch verrijkt machine learning-framework dat thermodynamische eigenschappen uit moleculaire dynamica-simulaties gebruikt om kookpunten nauwkeurig te voorspellen, zelfs voor chemische verbindingen die volledig buiten het trainingsdomein liggen en waarvoor traditionele structurele modellen falen.
Dit artikel introduceert een meetgedreven kwantumframework dat overlap- en Hamiltoniaan-matrixelementen voor spin-gekoppelde gegeneraliseerde valentiebindingsgolffuncties schat met behulp van ondiepe, ancilla-vrije circuits, waardoor de berekening van niet-orthogonale configuraties mogelijk wordt op nabije-toekomstige kwantumhardware.
In deze notitie wordt een rigoureuze afleiding gepresenteerd van de zelfconsistentie van de OBDHF-theorie, een nieuw dubbel-hybride DFT-kader dat de gegeneraliseerde Kohn-Sham-formaliteit verenigt met OBMP2-theorie om de fundamentele theoretische inconsistentie van conventionele dubbel-hybride functionalen op te lossen.
Deze studie toont aan dat de spin-phonon-relaxatie in Yb(III)-moleculaire qubits wordt gedomineerd door Raman-processen die door een kleine groep laag-energetische fononen worden veroorzaakt, waarbij de invloed van moleculaire structuurwijzigingen buiten de eerste coördinatieschil zo complex is dat traditionele magneto-structurele correlaties onvoldoende zijn en voorspellende *ab initio*-methoden essentieel worden voor toekomstig chemisch ontwerp.
Dit artikel introduceert een permutatienvariante multi-schaal full quantum-neuraalnetwerkframework dat de gezamenlijke golffunctie van elektronen, kernen en muonen direct modelleert om complexe quantumcorrelaties buiten de Born-Oppenheimer-benadering nauwkeurig en rekenefficiënt te beschrijven.