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。

本文提出了一种利用微波或红外旋转激发结合超精细诱导量子拍及再泵浦技术，在强冷分子束中产生高核自旋极化小分子（极化率超 90%）的方案，旨在提升核磁共振信号并增强核聚变反应截面。

本文推导并实现了 Aufbau 抑制耦合簇理论（ASCC）的单粒子约化密度矩阵计算方法，通过利用自然轨道迭代优化以消除对初始轨道的依赖，并证实了在保持微扰完整性的前提下，该方法计算偶极矩等单粒子性质的精度与线性响应及运动方程耦合簇方法相当。

该研究通过引入长程修正机制和偏差式训练 - 测试划分策略，系统评估并证明了长程建模对于提升机器学习势函数在复杂化学空间（如金属有机框架）中泛化能力与转移性的关键作用。

QMCkl 是一个模块化、可移植的高性能内核库，通过提供兼容 C 语言且基于 TREXIO 标准的统一接口，实现了量子蒙特卡洛核心计算的高效加速与跨代码、跨架构的可重复性，同时支持确定性量子化学工作流及可视化工具。

该研究基于 42 万余个生物活性分子的分析，揭示了线性回归模型在预测脂溶性（logP）时存在严重的异方差性且传统修正方法无效，而树集成模型不仅表现更优，还通过 SHAP 分析解决了分子量与拓扑极性表面积共线性掩盖其预测重要性的悖论。

本文从计算负载特征视角出发，通过统一剖析框架对四种代表性神经网络变分蒙特卡洛（NNVMC）模型进行了实证 GPU 性能表征，揭示了其端到端性能主要受低强度算子和数据搬运瓶颈制约，并据此提出了面向可扩展 NNVMC 系统的算法 - 硬件协同设计策略。

本文通过将自旋翻转组态相互作用单激发（SF-CIS）方法扩展至腔量子电动力学框架，推导了包含光子激发的自旋翻转哈密顿量，提出了一种能够准确描述强静态关联体系（如键断裂过程）中电子与腔光子强耦合效应的 QED-SF-CIS 方法，并展示了其在调控分子几何结构与自旋相变中的应用潜力。

本文介绍了名为 sbml4md 的计算平台，该平台利用机器学习技术从分子动力学轨迹中提取多模非谐布朗模型参数，从而无需经验拟合即可为分层运动方程（HEOM）框架提供精确参数，实现了对分子液体中分子内及分子间振动模式非线性光谱的高效模拟。

本文采用层级运动方程（HEOM）框架，结合基于分子动力学的机器学习模型，模拟并分析了液态水（H₂O）和重水（D₂O）的非马尔可夫非微扰非线性相互作用，从而通过二维红外相关光谱阐明了同位素效应对分子内振动模式能量激发、弛豫及退相干动力学的调控机制。

本文提出了一种结合解析推导与数值模拟的可视化教学方法，利用含时休克尔哈密顿量模拟环境随机涨落对共轭多烯链电子运动的影响，从而直观地向本科生阐释凝聚相光谱线宽展宽的物理机制。