794 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 artigo demonstra que a eliminação do acoplamento spin-órbita na representação adiabática gera acoplamentos não adiabáticos significativos que, se negligenciados, comprometem a precisão de cálculos espectroscópicos e dinâmicos, estabelecendo que tal aproximação de estado único é confiável apenas quando os estados interagentes estão bem separados na região de Franck-Condon.
O artigo apresenta o AllScAIP, um modelo de potencial interatômico baseado em aprendizado de máquina que utiliza atenção entre todos os nós para capturar interações de longo alcance de forma orientada por dados, superando as limitações de modelos anteriores e alcançando precisão de ponta em sistemas moleculares e materiais.
O artigo apresenta o HEroBM, uma rede neural gráfica equivariante profunda e escalável que realiza o backmapping universal e preciso de representações de grão grosso para atômicas em qualquer sistema químico, superando as limitações de métodos anteriores em transferibilidade e qualidade geométrica.
Este trabalho apresenta o método "Double Configuration Interaction Singles", uma abordagem escalável e de custo de campo médio que trata variacionalmente o relaxamento orbital em estados excitados e dissociação de ligações, corrigindo a superestimação de energias de excitação de transferência de carga e preservando a propriedade de intensidade de tamanho do CIS.
Este estudo investiga o impacto acoplado das correlações de subvalência e dos efeitos de correlação pós-CCSD(T) na energia total de atomização de moléculas da primeira e segunda linhas, propondo um novo protocolo de "Teoria W5" que revisa valores de referência e apresenta concordância robusta com tabelas termoquímicas ativas (ATcT).
Este artigo apresenta um quadro variacional unificado que estende a interação de configurações de singles (CIS) através da otimização orbital, resposta linear e projeção de spin, demonstrando que a combinação dessas técnicas melhora significativamente a precisão na descrição qualitativa de estados fundamentais e excitados, especialmente em sistemas fortemente correlacionados.
Este estudo demonstra que o uso de radicais de dióxido de cloro para rotulagem de spin, combinado com espectroscopia de ressonância paramagnética eletrônica, permite identificar espécies de plásticos, analisar sua interação com a matriz polimérica e determinar coeficientes de difusão, oferecendo uma ferramenta promissora para o rastreamento e gestão de resíduos plásticos.
Este artigo relata os primeiros cálculos quânticos de espalhamento de dimensão completa para colisões HD+HD, identificando transições rovibracionais quase ressonantes e demonstrando concordância com resultados experimentais anteriores sobre seções de choque e ressonâncias em baixas energias.
Este trabalho apresenta uma estrutura teórica que demonstra como a preparação do estado inicial, especificamente a coerência e a composição de momento de biexcitons, governa o transporte e a dinâmica de fluorescência em agregados moleculares, revelando diferenças marcantes entre agregados J e H devido a efeitos de interferência dependentes da estrutura de bandas.
O artigo apresenta o Aprendizado de Hessiano Projetado (PHL), um método escalável que treina potenciais interatômicos de aprendizado de máquina utilizando produtos vetor-Hessiano para incorporar informações de curvatura com precisão próxima à do Hessiano completo, mas com custo computacional e de memória significativamente reduzidos.