1052 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 um protocolo de preparação de estado fundamental dissipativo que utiliza rotações orbitais alinhadas por Procrustes e resfriamento dissipativo para simular eficientemente estados de transição química fortemente correlacionados, alcançando uma complexidade de portas escalável de para sistemas como FeMoco e catalisadores de captura de carbono.
Este artigo apresenta um framework híbrido quântico-clássico que utiliza um mapeamento de características inspirado em kernels gaussianos e uma Rede Neural Quântica Profunda para melhorar a precisão e a generalização na previsão de valores de pKa em nível de resíduos, superando as limitações dos modelos puramente clássicos.
O artigo apresenta o Matlantis-PFP v8, um potencial interatômico de aprendizado de máquina universal treinado no funcional r2SCAN que supera as limitações de precisão do PBE, oferecendo previsões zero-shot com concordância significativamente melhorada com dados experimentais e referências de alta precisão para cristais, moléculas e superfícies.
Este artigo apresenta duas plataformas de hidrogéis em chip, utilizando arranjos de pilares e máscaras fotográficas, para micropadronização in situ de hidrogéis fotopolimerizáveis e permitir estudos de difusão molecular.
Este artigo estabelece que a estabilidade de padrões em sistemas de reação-difusão fora do equilíbrio é determinada pela entropia de caminho, um princípio que, ao considerar flutuações estocásticas em sistemas com número finito de partículas, permite calcular taxas de transição entre fases metaestáveis de forma eficiente e qualitativamente altera a estabilidade desses padrões.
O estudo demonstra que, embora a formação inicial de um filme lubrificante no gelo possa ocorrer sem aquecimento, a sua extrema escorregadia é determinada pelo aquecimento por fricção, que eleva a temperatura de contato até o ponto de fusão, resolvendo assim a discrepância entre simulações em nanoescala e dados experimentais macroscópicos.
O artigo apresenta o ChemFit, um framework Python flexível que facilita a parametrização de modelos em química e física computacional ao permitir a definição, composição e avaliação massivamente concorrente de funções objetivo complexas e heterogêneas, integrando-se de forma eficiente a algoritmos de otimização sem gradiente.
Este estudo demonstra que o método O2BMP2, uma variante de teoria de perturbação Møller-Plesset com escalamento de spin-oposto, oferece uma combinação eficiente de precisão e baixo custo computacional para prever com sucesso estados excitados de singlete-triplete invertidos, viabilizando a triagem de alto rendimento de materiais para OLEDs.
Este artigo apresenta a aplicação da teoria de perturbação autoconsistente OBMP2 para a previsão precisa de energias de excitação da borda K, demonstrando que o método supera técnicas estabelecidas como DFT e EOM-CCSD em moléculas de casca fechada e aberta.
Este artigo apresenta um framework de aprendizado de máquina aprimorado por física que utiliza descritores termodinâmicos derivados de simulações de dinâmica molecular para prever pontos de ebulição com capacidade de extrapolação superior, permitindo a previsão precisa de propriedades para classes químicas não representadas nos dados de treinamento, como sais e compostos inorgânicos, onde os métodos baseados apenas em estrutura falham.