1044 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.
O artigo apresenta o COFAP, um framework universal baseado em aprendizado profundo que utiliza extração multi-modal e sinergia cruzada para prever com alta precisão e eficiência a adsorção de gases em estruturas de frameworks orgânicos covalentes (COFs), superando métodos convencionais ao eliminar a dependência de descritores termodinâmicos específicos de cada gás.
Este artigo propõe um método simples e preciso para estimar a fração de empacotamento aleatório denso (RCP) de misturas binárias de discos rígidos, demonstrando que essa fração depende quase linearmente de um parâmetro baseado no terceiro coeficiente virial reduzido, o que permite previsões mais acuradas do que modelos anteriores e uma generalização natural para misturas polidispersas.
Este estudo desenvolve uma superfície de energia potencial de dimensão completa para a reação NH2 + O, utilizando cálculos ic-MRCI de alto nível e redes neurais, para fornecer dados cinéticos precisos que esclarecem as discrepâncias existentes e aprimoram os modelos de combustão de combustíveis contendo nitrogênio em altas temperaturas.
Este trabalho desenvolve uma superfície de energia potencial altamente precisa para o complexo hélio-benzeno, combinando cálculos de alto nível de teoria do funcional de densidade e regressão por processos gaussianos, e demonstra que essa nova superfície revela comportamentos de solvatação qualitativamente diferentes em simulações de Monte Carlo em comparação com potenciais empíricos tradicionais.
Este trabalho teórico desenvolve um modelo estatístico para a fluorescência recorrente em hidrocarbonetos aromáticos policíclicos, demonstrando que transições eletrônicas de baixa energia e proibidas por simetria podem contribuir significativamente para a estabilização dessas moléculas no meio interestelar.
Este artigo apresenta uma nova variante do modelo de dispersão XDM baseada em um único parâmetro de amortecimento dependente do número atômico (Z), demonstrando que, quando combinada com os funcionais híbridos revPBE0 e B86bPBE0, ela alcança alta precisão e consistência em benchmarks abrangentes do banco de dados GMTKN55 e em cristais moleculares.
O artigo apresenta o Nexerra-R1, um modelo de linguagem química baseado em blocos de construção que permite o projeto inverso de materiais reticulares, como as MOFs, gerando conectores orgânicos otimizados para síntese experimental e validando essa abordagem ao propor a criação do novo material CU-525.
Este artigo apresenta a primeira implementação de gradientes nucleares analíticos para o método OOpCCD dentro do PyBEST, integrando-o ao otimizador \texttt{geomeTRIC} para permitir otimizações de geometria robustas e precisas que reproduzem com alta fidelidade estruturas de referência de sistemas de casca fechada.
Este estudo demonstra que o uso de configurações de cálculo eletrônico insuficientemente convergidas, comuns em potenciais de aprendizado de máquina para a água, pode mascarar a verdadeira precisão dos métodos e levar a resultados estruturais e dinâmicos menos fiéis à realidade experimental, destacando a necessidade de cálculos totalmente convergidos para o desenvolvimento de modelos confiáveis.
Este artigo apresenta um quadro unificado de aprendizado de máquina que combina potenciais interatômicos aprendidos por máquina com a teoria funcional da densidade clássica neural para modelar ab initio o comportamento de líquidos em múltiplas escalas, permitindo previsões termodinâmicas eficientes e precisas de sistemas como água e dióxido de carbono, inclusive sob confinamento e em condições supercríticas.