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.

A reduced-cost third-order algebraic diagrammatic construction based on state-specific frozen natural orbitals: Application to the electron-attachment problem

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.

Tamoghna Mukhopadhyay, Kamal Majee, Achintya Kumar Dutta2026-03-13🔬 physics

The Spin-MInt Algorithm: an Accurate and Symplectic Propagator for the Spin-Mapping Representation of Nonadiabatic Dynamics

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.

Lauren E. Cook, James R. Rampton, Timothy J. H. Hele2026-03-13🔬 physics

Matlantis-PFP v8: Universal Machine Learning Interatomic Potential with Better Experimental Agreements via r2SCAN Functional

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.

Chikashi Shinagawa, So Takamoto, Daiki Shintani, Yong-Bin Zhuang, Yuta Tsuboi, Katsuhiko Nishimra, Kohei Shinohara, Shigeru Iwase, Yuta Tanaka, Ju Li2026-03-13🔬 physics