1042 artigos
Esta categoria explora a fascinante intersecção onde a física encontra a química, desvendando como as leis fundamentais da matéria governam reações e estruturas moleculares. Ao investigar fenômenos que vão desde o comportamento quântico de átomos até a dinâmica de fluidos complexos, pesquisadores buscam entender a base material do universo de uma forma que une precisão teórica e aplicação prática.
No Gist.Science, processamos cada novo pré-publicação nesta área diretamente do arXiv, garantindo que o conhecimento mais recente chegue a todos. Oferecemos tanto resumos técnicos detalhados para especialistas quanto explicações em linguagem simples para curiosos, removendo barreiras sem sacrificar o rigor científico.
Abaixo estão as últimas contribuições nesta fronteira do conhecimento, prontas para serem exploradas em seus formatos acessíveis e completos.
Este estudo utiliza radiação VUV e espectroscopia de fotoelétrons com resolução angular para determinar com precisão a energia de ionização adiabática do DABCO e analisar como a excitação vibracional influencia a distribuição angular dos fotoelétrons devido ao espalhamento mediado por estados de Rydberg.
Este artigo apresenta uma nova implementação de código aberto da equação de Schrödinger contraída anti-hermitiana (ACSE), uma técnica escalável e robusta que utiliza o Hamiltoniano eletrônico exato para simular com precisão a correlação eletrônica em sistemas moleculares de grupos principais e metais de transição, tanto no estado fundamental quanto em estados excitados, superando limitações de métodos perturbativos tradicionais.
Este estudo utiliza cálculos quânticos multireferenciais para demonstrar que o ângulo de torção entre unidades monoméricas é o fator dominante, em detrimento da conectividade regioisomérica, na regulação dos mecanismos de fissão de singlete intramolecular e de cruzamento intersistema por transferência de carga com acoplamento spin-órbita em dímeros de aza-BODIPY.
Este artigo propõe o algoritmo de Destilação Central-Periférica (CPD) para otimizar a eficiência de treinamento de Campos de Força Baseados em Aprendizado de Máquina (MLFFs) em regimes de transição de fase, demonstrando que apenas 200 configurações distiladas são suficientes para reproduzir com precisão as propriedades estruturais e dinâmicas da transição de fase líquido-líquido do hidrogênio denso.
Este artigo apresenta uma extensão molecular da teoria de incorporação dinâmica de banho interativo (ibDET), um método de função de Green de baixo custo e escalável que calcula com precisão as energias de excitação carregada de sistemas moleculares complexos, como moléculas conjugadas e nanoclusters, com erros inferiores a 0,1 eV em potenciais de ionização e afinidades eletrônicas.
Este estudo demonstra que a fotodissociação de espécies menos voláteis, como amônia e dióxido de carbono, em gelos cometários análogos pode explicar a maior parte do nitrogênio molecular observado em cometas, sugerindo que as razões N2/H2O devem ser usadas com cautela para inferir a temperatura de formação, enquanto as abundâncias significativas de monóxido de carbono provavelmente indicam aprisionamento em temperaturas baixas.
Este artigo apresenta um novo framework de escala de entropia que permite prever de forma termodinamicamente consistente os coeficientes de difusão em misturas fluidas, utilizando dados de componentes puros e equações de estado moleculares para abranger uma ampla gama de estados e misturas não ideais.
Este trabalho desenvolve um potencial interatômico aprendido por máquina para descrever sistemas de catalisador de platina e Nafion em células a combustível, demonstrando alta precisão na previsão de estrutura e reatividade, embora desafios computacionais limitem ainda o cálculo de difusividades de longo prazo.
Este estudo investiga sistematicamente estratégias de treinamento multi-fidelidade para campos de força aprendidos por máquina, revelando que, embora o pré-treinamento e ajuste fino ofereçam desempenho superior dependente da qualidade dos dados e rótulos de força, o treinamento multi-cabeça proporciona representações universais que, apesar de ligeiramente inferiores em precisão, permitem uma substituição parcial de rótulos caros por alternativas mais baratas, viabilizando campos de força universais e economicamente eficientes.
O artigo apresenta o SMILE-CP, um método de aprendizado de máquina eficiente e baseado em restrições de dipolo macroscópico que infere cargas atômicas precisas a partir de coordenadas instantâneas e momentos de dipolo totais, permitindo simulações de potenciais de aprendizado conscientes de carga em interfaces eletroquímicas sem os erros qualitativos das decomposições de carga convencionais.