On the effective rank of canonical polyadic decomposition of electron repulsion integrals
本文通过数学推导与数值计算证明，电子排斥积分的典范张量分解的有效秩无法随体系规模呈线性增长，而是确立了与成正比的 lower bound。
🔬 Category
physics.chem-ph
768 篇论文
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。
A Flexible, Automated, and Basis-Set Insensitive Domain-Based Charge-Transfer Decomposition for Correlated Wavefunctions and its Application to Inter- and Intramolecular Cases
本文提出了一种灵活、自动化且对基组不敏感的框架，用于将关联波函数中的电荷转移激发分解为局域和基于域的贡献，从而为各种计算设置下的分子间和分子内情形提供稳健的分析。
Random phase approximation-based local natural orbital coupled cluster theory
本文在基于局域自然轨道的耦合簇（LNO-CC）框架内，将随机相位近似（RPA）作为二阶 Møller-Plesset 微扰理论（MP2）的一种稳健替代方案加以介绍，表明基于 RPA 的 LNO-CC 在保持对具有较大能隙体系精度的同时，为金属体系提供了显著更快的收敛速度。
Fast Generation of Pipek-Mezey Wannier Functions via the Co-Iterative Augmented Hessian Method
本文介绍了-CIAH 算法，这是针对 Pipek-Mezey Wannier 函数局域化的一阶空间方法计算效率提高 2–3 倍、且比点方法快数个数量级、同时保持最优标度性的二阶共迭代增强 Hessian 方法的点推广。
On the Anticipation of Lunar Travel in the Early 20th Century: A Pedagogical Exercise
本文分析阿尔方斯·贝热的 1923 年科普著作《天空》，以论证其基于牛顿力学、半定量的地月旅行预测——涵盖轨道阶段、人为因素及约 49 小时的飞行时间——如何构成 20 世纪早期天体动力学的一项具有历史重要性与教学价值的综合成果，并惊人地预见了现代航天概念。
Explicitly Correlated Gaussian Basis Approach to Periodic Systems
本文利用广义展开定理将双重晶格求和简化为单重求和，推导了周期性体系中显式关联高斯基函数矩阵元的闭式表达式，并通过展示无限氢链的热力学极限基态能量与有限链外推结果的一致性，验证了该形式体系的有效性。
Hessian Matching for Machine-Learned Coarse-Grained Molecular Dynamics
本文介绍了一种用于粗粒化分子动力学的机器学习框架，该框架在传统力匹配的基础上增加了随机海森矩阵 - 向量积匹配以纳入二阶曲率信息，从而显著提高了生物分子模拟中粗粒化势函数的精度与可转移性。
Helium Bubbles in Liquid Lead Lithium Solutions: Pressure Inhomogeneities at Interfaces and Non Ideal Mixture Effects
本研究采用经典分子动力学模拟，在不同温度和成分条件下探究液态铅锂合金中氦泡的成核、稳定性及界面张力，为核聚变反应堆增殖包层的设计提供关键见解。
MPINeuralODE: Multiple-Initial-Condition Physics-Informed Neural ODEs for Globally Consistent Dynamical System Learning
本文介绍了 MPINeuralODE，这是一个新颖的框架，它将软物理信息残差与多初始条件课程相结合，显著提升了神经微分方程在未见初始条件下的泛化能力、长时程稳定性及物理一致性。
Reducing cross-sample prediction churn in scientific machine learning
本文引入了“跨样本预测不稳定性”这一概念，以突显科学机器学习模型在不同训练数据采样下的不稳定性，并证明数据侧方法（如-自助法集成和所提出的双自助法）在不牺牲预测精度的情况下显著降低了这种不稳定性，而标准的参数侧方法则无法做到这一点。