physics.chem-ph 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。

CrystalREPA 是一个即插即用框架，它通过对比目标将生成模型表示与冻结的通用机器学习原子间势（MLIPs）对齐，从而增强生成晶体的稳定性、有效性和保真度，并揭示出 MLIP 的迁移有效性更取决于其表示的可区分性，而非其标准精度基准。

本文提出了一种非自回归学习框架，该框架在训练过程中利用原子轨迹作为辅助模态，从而能够从静态结构实现快速、准确且动态的离子输运预测，且无需在推理阶段进行序列推理或依赖轨迹数据。

本文系统评估了九种基于 MACE 的机器学习原子间势在催化领域的应用，表明尽管从头训练受益于特定高能采样策略，但微调大型基础模型在涵盖多种金属及金属氧化物催化剂（包括具有挑战性的分布外反应）时展现出更优越的鲁棒性与准确性。

本文提出了一种适用于周期性体系的通用可极化嵌入 QM/MM 方案，该方案将密度泛函理论与基于多极子的水模型相结合，利用精心调谐的远场展开和短程阻尼函数，在确保分子动力学模拟中平滑过渡的同时实现量子力学级别的精度。

本文利用高斯基组引入了一种用于核施夫相互作用哈密顿量电子项的新颖且精确的解析表达式，该方法避免了此前导致 RaO 和 LrF 等分子出现显著高估的幂级数截断误差，同时也证明了均匀伸缩基组在这些计算中的优越性。

本文表明，利用可微分的 Kohn-Sham 求解器，专门针对水体系训练基于神经网络的局域密度近似泛函，仅需少量训练数据即可实现接近金标准的精度，并能有效迁移学习至其他与水相关的体系，从而将体系特异性精度置于普适性之上。

本研究证明，微水化通过氢键、静电相互作用和几何畸变的复杂协同作用，系统性地稳定了胸腺嘧啶的两个最低 $\pi^*$ 形状共振态并延长了其寿命，同时也凸显了弥散基函数和局部溶剂化几何结构在决定共振行为中的关键作用。

本文介绍了排序组态相互作用（RCI），这是一种新颖的机器学习框架，它利用基于 Transformer 的架构，将选定组态相互作用中的行列式选择重构为成对排序问题，从而与现有的回归和分类方法相比显著加速收敛并提高精度。

本文介绍了 QT-Net，这是一种基于 SOAP 描述符的、通过原则性分布外评估协议进行验证的旋转增强图神经网络，该网络表明推断电子布居和多重矩等原子属性能够提升下游分子性质预测的准确性，并精确恢复基态偶极矩。

本研究首次通过超快泵浦 - 探测测量和广义振动电子理论，在供体 - 受体二聚体中实验验证了零点的存在，展示了态局域化和选择性电荷过滤，从而为先进光伏材料的设计原则提供了验证。