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。

该研究通过发展包含赫兹伯格 - 泰勒效应、杜申斯基旋转及完整振动级数贡献的统计模型，结合含时密度泛函理论计算，揭示了萘、蒽和芘等 PAH 阳离子中低能对称禁阻跃迁对循环荧光冷却效率的显著贡献，从而阐明了其在星际介质中稳定化的关键机制。

该研究提出并实现了基于原子序数的单参数阻尼函数 XDM(Z) 模型，通过 GMTKN55 数据库和分子晶体基准测试表明，该模型与 revPBE0 及 B86bPBE0 杂化泛函结合使用时，在保持最小经验性的同时实现了气相与固相体系的高精度和一致性。

本文介绍了名为 Nexerra-R1 的构建模块化学语言模型，该模型通过针对有机连接体的逆向设计，实现了从计算生成到实验可合成框架的受控转化，从而系统性地拓展了网状材料（如 MOFs）的发现空间。

本文介绍了 PyBEST 软件中首个基于拉格朗日形式实现的轨道优化配对耦合簇双激发（OOpCCD）解析核梯度，并通过与 geomeTRIC 优化器集成，实现了高效稳健的分子几何结构优化，其计算结果与高精度参考结构高度吻合。

该研究利用机器学习势函数表明，以往广泛采用的计算设置（如 revPBE0-D3）在充分收敛后其实验吻合度反而下降，而高度收敛的 $\omega$ B97X-rV 泛函则能更准确地描述液态水和冰的性质，从而强调了在评估电子结构方法和开发水体系模型时必须使用完全收敛的参考计算。

该论文提出了一种结合机器学习原子势与神经经典密度泛函理论（neural cDFT）的统一机器学习框架，实现了从第一性原理出发对水及二氧化碳等液体在微观至宏观多尺度行为的高效、准确建模与热力学预测。

该研究通过修正彭氏方法中忽略长程色散相互作用及薄膜厚度定义不一致的问题，阐明了表面张力随厚度变化的非平凡机制，从而消除了液膜分离压预测中的显著差异并实现了与 Bhatt 方法的一致性。

该论文提出了一种基于玻姆轨迹和拉格朗日描述符的几何诊断框架，通过在二维制备空间中分析波包中心对初始条件的敏感性，为量子信息 scrambling 提供了直观的几何解释，并将其与反谐振子模型中的 OTOC 增长及微正则机制联系起来。

本文提出了一种针对 NVIDIA Hopper 和 Grace Hopper 架构的 Python 耦合簇框架，通过引入新的批处理算法和不对称动态分割策略优化了张量收缩，并对比了 CuPy 与 PyTorch 库的性能，实现了相比先前 GPU-CPU 混合实现高达 10 倍的速度提升。

本文提出了一种基于轨道压缩的轨道优化变分量子本征求解器（FNO/SVO-OO-VQE）框架，通过结合冻结自然轨道与分裂虚拟轨道构建紧凑活性空间，在显著降低测量成本的同时提高了电子结构计算的精度。