Hunting Structural Demons in Digital Reticular Chemistry
这篇综述文章将数字网状化学中导致计算筛选失效的错误结构模型定义为“结构恶魔”，并系统探讨了其来源、识别方法以及通过整合衍射数据、统一数据清洗和预筛选拓扑选择来预防此类错误的关键策略。
🔬 Category
physics.chem-ph
985 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。
Microscopic Structure and Dynamics of Interfacial Water at Fluorinated vs Nonfluorinated Surfaces -- Insights from Ab-Initio Simulations and IR Spectroscopy
该研究结合第一性原理分子动力学模拟与红外光谱分析，揭示了氟化与非氟化自组装单分子膜表面的界面水结构虽均呈现二维氢键网络，但氟化表面独特的蓝移自由羟基振动及较慢的水分子重取向动力学表明，其与水分子的相互作用主要由色散力主导，展现出既非典型疏水亦非亲水的独特微观特性。
Coupling Quantum Mechanical Modeling and Molecular Dynamics on Heterogeneous Supercomputers for Studying Distal Mutation Effects on Drug Binding in HIV-1
该研究提出了一种结合 GPU 加速分子动力学与大规模并行量子力学计算的耦合工作流，用于在原子分辨率下揭示 HIV-1 蛋白酶远端突变如何通过电子结构变化导致达芦那韦耐药性，从而为设计抗突变抑制剂提供了可扩展的计算策略。
Controlling isomer population using a dual-oscillator infrared free-electron laser
该研究利用双振荡器红外自由电子激光的双色操作，实现了对超流氦纳米液滴中离子异构体布居的精确控制，并成功获取了单个异构体的红外光谱。
Non-additive Ion Effects on the Coil-Globule Equilibrium of a Generic Uncharged Polymer
该研究通过大尺度原子模拟证明，非特异性聚合物 - 离子相互作用足以复现混合盐溶液中诱导的聚合物卷曲 - 球状转变的非加和效应，揭示了体相离子 - 离子及离子 - 水相互作用在此现象中的主导作用。
Coupled Lindblad pseudomode theory for simulating open quantum systems
该论文提出了一种基于控制理论实现问题的耦合林德布拉德赝模理论，通过构建避免非凸优化的鲁棒数值算法，证明了模拟非马尔可夫量子动力学所需的耦合赝模数量仅随时间和精度呈多对数级增长，从而显著提升了经典及近中期量子平台上的开放量子系统模拟效率。
Split-Flows: Measure Transport and Information Loss Across Molecular Resolutions
该论文提出了一种名为“分裂流（split-flows）”的新型流模型方法，通过将粗粒化到原子尺度的回映射重构为连续时间测度传输，不仅实现了原子结构的条件采样，还首次提供了计算映射熵的可行途径，从而系统性地量化了粗粒化过程中不可恢复的信息损失。
On the Boroxol Ring Fraction in Melt-Quenched BO Glass
该研究开发了一种 DFT 精度的机器学习势函数，通过极慢的淬火速率和扩大几何描述符范围，成功模拟出硼氧环含量显著增加且能量最低点接近实验值的 BO玻璃原子结构模型。
Cyclic- and helical-symmetry-adapted phonon formalism within density functional perturbation theory
该论文提出了一种基于密度泛函微扰理论的框架，通过推导适应圆柱和螺旋对称性的动力学矩阵表示及声学求和规则，实现了对碳纳米管等纳米结构声子谱及弹性模量的高精度第一性原理计算。
How unconstrained machine-learning models learn physical symmetries
本文提出了一套严格框架来量化无约束机器学习模型对物理对称性的学习程度，揭示了其通过数据增强近似满足等变性的机制，并证明了通过策略性注入最小归纳偏置，可在保持模型高表达力和可扩展性的同时显著提升其稳定性与物理保真度。