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.

Quantum error mitigation using energy sampling and extrapolation enhanced Clifford data regression

Deze studie verbetert de Clifford Data Regression (CDR) voor foutmitigatie in quantumchemie-simulaties door twee nieuwe strategieën, Energy Sampling en Non-Clifford Extrapolation, te introduceren die samen een superieure prestatie leveren ten opzichte van de oorspronkelijke CDR-methode.

Zhongqi Zhao, Erik Rosendahl Kjellgren, Sonia Coriani, Jacob Kongsted, Stephan P. A. Sauer, Karl Michael Ziems2026-02-26⚛️ quant-ph

Frequency- and time-resolved second order quantum coherence function of IDTBT single-molecule fluorescence

Deze studie introduceert en valideert een nieuwe single-molecule fluorescence g(2)(τ)-quantumlichtspectroscopie-methode die, voor het eerst experimenteel toegepast op IDTBT-moleculen, gelijktijdig frequentie- en tijdsopgeloste coherentiegegevens levert om intrinsieke kwantumdynamica en mogelijke coherentie in moleculaire systemen te onthullen.

Quanwei Li, Yuping Shi, Lam Lam, K. Birgitta Whaley, Graham Fleming2026-02-26🔬 cond-mat.mtrl-sci

MBD-ML: Many-body dispersion from machine learning for molecules and materials

Het artikel introduceert MBD-ML, een voorgetraind machine learning-model dat atomaire C6C_6-coëfficiënten en polariseerbaarheden voorspelt om van der Waals-interacties op een nauwkeurige en efficiënte manier te integreren in krachtvelden en elektronische structuurcodes zonder tussenkomst van dure elektronische berekeningen.

Evgeny Moerman, Adil Kabylda, Almaz Khabibrakhmanov, Alexandre Tkatchenko2026-02-26🔬 cond-mat.mtrl-sci