化学物理这一交叉领域探索着分子层面的物理规律,架起了化学变化与物理原理之间的桥梁。在这里,科学家通过理论模型和实验手段,深入理解原子如何结合、能量如何转化以及物质在微观尺度下的独特行为。

Gist.Science 致力于让 arXiv 上的最新研究成果触手可及。我们实时追踪并处理该分类下发布的所有预印本,为每一篇论文提供通俗易懂的科普解读与详尽的技术摘要,帮助不同背景的读者跨越专业术语的障碍,轻松把握前沿动态。

以下是该领域近期在 arXiv 上发布的最新论文精选。

SmileyLlama: Modifying Large Language Models for Directed Chemical Space Exploration

该论文提出了一种名为 SmileyLlama 的框架,通过监督微调(SFT)和直接偏好优化(DPO)将大语言模型转化为化学语言模型,使其能够生成具有特定属性、高结合亲和力及优化三维构象的新型药物分子,从而在保留自然语言能力的同时实现定向化学空间探索。

Joseph M. Cavanagh, Kunyang Sun, Andrew Gritsevskiy, Dorian Bagni, Yingze Wang, Thomas D. Bannister, Teresa Head-Gordon2026-04-14🔬 physics

Seniority-zero Linear Canonical Transformation Theory

本文提出了一种名为“零价线性正则变换(SZ-LCT)”的新方法,通过构建特定的幺正变换将强关联体系的哈密顿量映射至计算更简便的零价空间,并利用截断至二体算符的巴克尔 - 坎贝尔 - 豪斯多夫展开及算符分解策略,实现了亚毫哈特里精度且具备 O(N8/nc)\mathcal{O}(N^8/n_c) 标度的高效计算。

Daniel F. Calero-Osorio, Paul W. Ayers2026-04-14🔬 physics

Accuracy and resource advantages of quantum eigenvalue estimation with non-Hermitian transcorrelated electronic Hamiltonians

该研究评估了将量子特征值估计算法应用于非厄米转相关电子哈密顿量的成本,发现结合 xTC 近似后,其在最小基组下的 T 门计数介于标准量子化方法在较大基组下的成本之间,且对锂和铍等小原子的计算精度优于 cc-pVQZ 基组,但对较大原子的误差随原子序数增加而增大。

Alexey Uvarov, Artur F. Izmaylov2026-04-14⚛️ quant-ph

Quantum Simulation of Ligand-like Molecules through Sample-based Quantum Diagonalization in Density Matrix Embedding Framework

该研究通过在密度矩阵嵌入理论(DMET)框架下结合基于采样的量子对角化(SQD)方法,在 IBM 超导量子硬件上成功模拟了低对称性配体类分子,证明了该混合量子 - 经典框架能够克服硬件噪声与纠缠结构复杂性,在多种化学体系中达到化学精度(1 kcal/mol)的基态能量计算。

Ashish Kumar Patra, Anurag K. S. V., Sai Shankar P., Ruchika Bhat, Raghavendra V., Rahul Maitra, Jaiganesh G2026-04-14⚛️ quant-ph

El Agente Estructural: An Artificially Intelligent Molecular Editor

本文介绍了"El Agente Estructural",这是一种由视觉语言模型与领域专用工具驱动的 multimodal 智能体,它能够像人类专家一样直接在三维空间中精确操纵分子几何结构(如官能团替换、立体化学控制等),从而在无需重建核心框架的情况下实现化学意义明确的分子建模与编辑。

Changhyeok Choi, Yunheng Zou, Marcel Müller, Han Hao, Yeonghun Kang, Juan B. Pérez-Sánchez, Ignacio Gustin, Hanyong Xu, Andrew Wang, Mohammad Ghazi Vakili, Chris Crebolder, Alán Aspuru-Guzik (…)2026-04-14🔬 physics

A critical assessment of bonding descriptors for predicting materials properties

该研究通过扩展包含约 13,000 种材料的量子化学成键数据库并构建新的成键描述符,系统评估表明将其融入机器学习模型不仅能显著提升弹性、振动及热力学等性质的预测精度,还能辅助发现如投影力常数和晶格热导率等性质的直观表达式。

Aakash Ashok Naik, Nidal Dhamrait, Katharina Ueltzen, Christina Ertural, Philipp Benner, Gian-Marco Rignanese, Janine George2026-04-14🔬 cond-mat.mtrl-sci