1011 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 een niet-parametrisch raamwerk dat trajectgeschiedenissen benut om optimale reactiecoördinaten te vinden voor zeldzame gebeurtenissen in complexe systemen, zoals eiwitvouwing en klinische data, zonder dat uitgebreide steekproeven nodig zijn.
Deze studie introduceert een fasegevoelige tip-versterkte som-frequentiegeneratie (TE-SFG) spectroscopie-methode die gebruikmaakt van tijdsasymmetrische pulsen om de niet-resonante achtergrond te onderdrukken, waardoor zwakke trillingssignalen met een resolutie ver onder de optische diffractielimiet kunnen worden gedetecteerd en de absolute moleculaire oriëntatie kan worden bepaald.
In deze studie worden diepe leertechnieken en interpreteerbare kunstmatige intelligentie toegepast om de reactiecoördinaten voor de dissociatie van NaCl-ionenparen in water te identificeren en de moleculaire mechanismen van oplosmiddel-effecten te onthullen door gebruik te maken van atoomgecentreerde symmetriefuncties.
Dit artikel introduceert MAD-1.5, een hoogwaardig en consistent dataset voor universeel atomaire machine learning dat de chemische ruimte uitbreidt tot 102 elementen via een gestandaardiseerde r²SCAN-DFT-workflow, en de effectiviteit ervan demonstreert met de training van de nauwkeurige PET-MAD-1.5 potentiaal.
Deze studie introduceert GET-SEI, een algemeen raamwerk dat graph contrastive learning, extended dynamic mode decomposition en transition path theory combineert om lithium-transportmechanismen in de vaste elektrolyt-interfase van verschillende vaste-stofbatterijen te ontrafelen en te kwantificeren zonder vooraf gedefinieerde labels.
Deze studie presenteert een robuust nanofabricageprotocol dat een atomaire schone interface tussen epitaxiaal grafreen en HMTP-moleculen realiseert, waardoor Davydov-gesplitste excitonen met een dominante donkere tak kunnen worden gekarakteriseerd en een schaalbaar platform wordt geboden voor onderzoek naar moleculaire quantumgeheugens.
Dit artikel introduceert een extrapolaatiemethode die systematische discretisatiefouten in moleculaire dynamica-simulaties, veroorzaakt door een niet-verwaarloosbare tijdstap, corrigeert om zo Boltzmann-consistente statistieken te herstellen en thermodynamische eigenschappen nauwkeurig te bepalen.
Dit onderzoek presenteert een Bayesiaanse optimalisatieframework dat gebruikmaakt van laagdimensionale, fysisch geïnformeerde moleculaire beschrijvers en een betrouwbare inverse mapping om binnen een chemische subruimte van meer dan 133.000 moleculen met minder dan 2.000 trainingsdata punten doelgerichte moleculaire structuren te identificeren, zoals aangetoond op de QM9-dataset voor entropie en zero-point vibratie-energie.
Deze studie introduceert het hybride Enhanced Stokes-Einstein (ESE) model, dat machine learning integreert met de Stokes-Einstein-vergelijking om diffusiecoëfficiënten in vloeistoffen nauwkeuriger en fysisch consistent te voorspellen dan bestaande methoden, uitsluitend op basis van SMILES-strings.
ChemFlow is een nieuw hiërarchisch neuronaal netwerk dat atoom-, functionele groep- en moleculeniveaus integreert om de fysisch-chemische eigenschappen van complexe chemische mengsels nauwkeuriger te voorspellen dan bestaande methoden, door interacties op verschillende schalen te modelleren die dynamisch worden beïnvloed door de samenstelling en concentratie.