Macro-Dipole-Constrainted Learning of Atomic Charges for Accurate Electrostatic Potentials at Electrochemical Interfaces
本文提出了名为 SMILE-CP 的宏观偶极约束学习方案，通过仅利用原子坐标和总偶极矩来推断原子电荷，有效克服了液态热涨落对电化学界面电荷分布提取的干扰，从而实现了无需显式电荷划分即可准确描述静电势的机器学习势函数。
🔬 Category
physics.chem-ph
979 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 New Paradigm for Computational Chemistry
该论文指出，基础机器学习原子间势函数通过克服对特定大数据集的依赖，实现了量子精度与力场速度的结合，有望在未来十年内取代密度泛函理论（DFT）成为计算化学的首选方法。
VIANA: character Value-enhanced Intensity Assessment via domain-informed Neural Architecture
本文提出了名为 VIANA 的新型“三支柱”框架，通过整合分子结构图卷积网络、基于主成分分析提炼的语义气味特征嵌入以及基于希尔定律的生物剂量反应逻辑，成功克服了传统模型在嗅觉感知强度预测中的局限，实现了高达 0.996 的 R²精度，有效弥合了分子信息学与感官知觉之间的鸿沟。
TUNA: A streamlined quantum chemistry program for atoms and diatomics
本文介绍了 TUNA，这是一款专为原子和双原子分子设计的开源量子化学程序，其核心原则是“一旦能量可计算，所有性质均可通过数值微分获得”，从而为教学、基准测试及新方法开发提供了一个透明且紧凑的平台。
A new framework for atom-resolved decomposition of second-harmonic generation in nonlinear-optical crystals
该研究建立了一种基于原子分子划分（AIM）方案的严格新框架，用于计算非线性光学晶体中二阶谐波产生的原子分辨贡献，并通过六种典型紫外晶体的分析揭示了原子三重态和基元三重态在微观机制中的层级结构与协同作用。
A Residence-Time Approach for Determining Position-Dependent Diffusivities from Biased Molecular Simulations
该论文提出了一种基于停留时间的计算方法，能够从偏置分子动力学模拟中直接且高效地提取位置依赖的扩散系数，并通过多种生物膜渗透体系验证了其准确性与实用性。
Towards Chemically Accurate and Scalable Quantum Simulations on IQM Quantum Hardware: A Quantum-HPC Hybrid Approach
该研究利用 IQM 24 量子比特超导处理器，通过结合基于采样的量子对角化（SQD）、LUCJ 与 LCNot-UCCSD 变体以及密度矩阵嵌入理论（DMET），在多种基准分子及药物相关体系上实现了化学精度的基态能量计算与二维势能面构建，验证了混合量子 - 经典方法在近期量子硬件上的可靠性与可扩展性。
Resetting optimized competitive first-passage outcomes in non-Markovian systems
该研究利用连续时间随机行走框架，系统分析了随机重置在非马尔可夫系统中对多竞争首达过程的影响，揭示了记忆效应如何调节条件平均首达时间及波动，并确立了重置作为超越传统马尔可夫设定下控制竞争结果的有效机制。
Efficient Auxiliary-Field Quantum Monte Carlo using Isometric Tensor Hypercontraction
本文提出了一种利用等距张量超收缩（ITHC）技术引入虚构费米子模式来对角化双体库仑相互作用的新型辅助场量子蒙特卡洛（AFQMC）方法，该方法在降低理论复杂度和提升实际计算性能的同时，能够以与耦合簇或密度矩阵重整化群相当的高精度高效处理强关联电子体系。
Gradient estimators for parameter inference in discrete stochastic kinetic models
本文将三种机器学习梯度估计器（Gumbel-Softmax 直通、得分函数和替代路径估计器）应用于离散随机动力学模型（如 Gillespie 算法）的参数推断，通过对比发现 Gumbel-Softmax 估计器在多数情况下表现良好但在特定参数区间方差发散，而其他估计器则能提供更稳健的低方差梯度，从而证明了结合不同估计器可有效实现基于梯度的随机模拟参数推断。