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。

本文提出了一种名为 T-PaiNN 的迁移学习框架，通过利用经典力场数据进行预训练并结合少量量子力学数据进行微调（自调优），显著提升了图神经网络原子间势的数据效率，使其在低数据量下仍能实现接近密度泛函理论的高精度预测。

该研究通过开发基于深度学习的反应势能面模型并结合实验验证，揭示了聚丙腈中亲核进攻引发的环化反应是速率限制步骤，而随后的锂离子耦合电子转移机制能显著加速后续环化过程，从而阐明了其在能源应用中实现协同电子 - 离子传输的微观机理。

该研究通过对比量子力学计算与分子动力学模拟，发现尽管量子效应在氢气透过石墨二炔膜的过程中依然显著，但结合膜热运动效应的经典模拟不仅能合理复现渗透率随温度的变化趋势，还能通过引入量子修正将渗透率结果限定在可靠的置信区间内，从而证实了考虑膜原子振动对于准确模拟气体传输特性至关重要。

该论文介绍了 PySCF 的 GPU4PySCF 模块中实现的 GPU 加速多网格高斯 - 平面波密度拟合算法，该算法在 NVIDIA H100 GPU 上实现了高达 25 倍于 CPU 的加速比，能够高效处理包含数千个原子的体系并支持从头算分子动力学等应用。

该研究提出了一种利用微藻作为负碳排放牺牲剂与brookite TiO₂光催化剂结合的新策略，在无或添加铂助催化剂条件下显著提升了绿色氢气产量，同时实现了微藻向甲烷和一氧化碳等高附加值化学品的转化及二氧化碳的捕获与利用。

本文综述了一种结合深度学习与可解释人工智能（XAI）的框架，通过以反应概率（committor）为训练目标来识别反应坐标，并利用 XAI 技术量化集体变量的贡献，从而在复杂分子系统中实现可解释的反应机理分析。

该研究通过结合修正的 Eigen 态描述与互补的 Zundel 图像，揭示了 HF 溶液中过剩质子并非固定于氟离子而是动态与水分子共享，从而在微观层面统一解释了 HF 与 HCl 溶液在热力学行为与光谱特征上的表观矛盾。

physics.chem-ph