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。

该研究通过高精度多参考组态相互作用计算结合机器学习构建全维势能面，并利用准经典轨迹模拟阐明了NH₂ + O反应在高温燃烧条件下的动力学机理与分支比，为含氮燃料燃烧模型的优化提供了关键的第一性原理数据。

本文通过结合高精度耦合簇计算与多保真度高斯过程回归，构建了具有亚波数精度的氦 - 苯相互作用势能面，并发现该势能面在路径积分蒙特卡洛模拟中揭示了与传统经验势截然不同的低温吸附层填充行为，为理解氦在石墨烯等更大芳香体系上的量子现象提供了关键基准。

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 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。

该综述文章阐述了分子形状、手性、极性以及空间受限等因素如何诱导介电和铁电向列相液晶产生破缺宇称的形变平衡态及多畴态，并重点分析了其中出现的螺旋弯曲形变与弹性静电能相互抵消的效应。

本文提出了一种名为 olLOSC 的统一且高效的密度泛函近似方法，该方法通过轨道自由电子线性响应计算曲率，在保持与 lrLOSC 相当精度的同时显著提升了计算效率，能够同时修正分子和周期性材料中的离域化误差（如带隙低估和总能量偏差），从而为跨体系的量子性质预测提供了统一解决方案。

该研究首次利用瞬态时间相关函数（TTCF）方法，在实验可达的剪切速率下成功模拟了石墨烯纳米通道内水的高滑移流动，证实了该方法计算的滑移长度与平衡态模拟及实验结果高度一致，并验证了平衡态方法在实验尺度下的适用性。