1012 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 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.
In dit werk wordt een nieuwe perturbatieve Super-CI-methode (Super-CIPT) ontwikkeld voor de twee-componenten CASSCF-benadering, die een betrouwbare en efficiënte oplossing biedt voor multireferentie relativistische kwantumchemie door spin-orbitaalkoppeling en statische correlatie gelijktijdig te behandelen.
De auteurs hebben een open-source universeel machine learning interatomair potentiaal ontwikkeld dat 97 elementen, inclusief belangrijke zware actiniden, bestrijkt om de materialontwikkeling in de nucleaire sector te ondersteunen.
Dit artikel presenteert een methode die fysisch geïnformeerde grafische neurale netwerken en Transformer-modellen combineert met optimalisatiealgoritmen om de driedimensionale atoomstructuur van materialen direct en efficiënt te bepalen uit XANES-data zonder dat handmatige parameterselectie vereist is.
Deze studie herintroduceert een methode voor het oplossen van de Dirac-vergelijking met de gesquareerde operator in een multiwavelet-basis, wat zorgt voor een convexe vergelijking die negatieve energietoestanden elimineert en hoge precisie bereikt voor één- en tweelektroon-systemen.
Dit artikel introduceert een maatstaf voor moleculaire complexiteit en vergelijkbaarheid door informatie-entropie te koppelen aan de gelijkenis van lokale atomaire omgevingen, waarbij zowel SMILES-gebaseerde substructuren als de SOAP-kern worden geëvalueerd en toegepast op mengsels.
Deze paper introduceert GODD, een nieuw diffusiemodel dat door het gebruik van een asymmetrische auto-encoder voor het vastleggen van structurele prioriteiten succesvol 3D-moleculen genereert in data-schaarse gebieden door te trainen op data-rijke distributies.
Dit artikel beschrijft de dissociatiemicro-toestanden van -protische zuren met behulp van verzamelingen- en grafentheorie, waardoor de dissociatiemicro-evenwichten kunnen worden gekarakteriseerd door de automorfismegroep van de graaf, die isomorphic is aan het directe product .
Dit paper introduceert een nieuwe analoge kwantum-simulatiebenadering voor gekoppelde elektron-kern dynamiek in moleculen zonder de Born-Oppenheimer-benadering, die met een trapped-ion apparaat kan worden geïmplementeerd en exponentiële besparingen biedt ten opzichte van klassieke algoritmen.