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。

本文通过建立分析框架，对多种随机Verlet型积分器在模拟朗之万方程时的扩散、漂移及统计采样能力进行了定量评估，并指出GJ积分器在处理线性系统及复杂非线性系统时具有最优的性能。

本文通过结合有限元法（FEM）与移动渐近线法（MMA），将量子控制问题转化为线性系统求解，从而实现了单自旋优化控制中轨迹与梯度的同步高效计算，并显著加速了梯度评估与收敛过程。

本文利用自洽场论框架研究了驱动电解质中流体动力学涨落引起的示踪粒子随机动力学，发现其存在两种不同的反常扩散机制，并揭示了长程流体动力学相互作用如何在存在德拜屏蔽的情况下主导非平衡稳态下的动力学过程。

本文提出了一种名为 FragmentFlow 的“分而治之”策略，通过仅对决定反应机制的活性核心原子进行生成式建模并重新拼接取代基片段，解决了大规模分子过渡态生成中的分布偏移与数据匮乏问题，实现了高效率且可扩展的过渡态预测。

本文提出了 NMRTrans，这是一种通过将 NMR 谱图建模为无序峰集（Set Transformers）来解决结构解析问题的模型，并利用从文献中挖掘的大规模实验谱图数据集 NMRSpec 进行训练，在实验基准测试中取得了显著优于现有方法的性能。

本文通过分子模拟和非平衡态速率理论，研究了强电场下浓缩电解质中的离子对动力学，发现溶剂介导的动力学路径和电场诱导的介电减小会抑制离子对解离，从而解释了非线性电导率增强的分子机制，并指出经典昂萨格理论在描述分子电解质时存在显著偏差。

本文介绍了一种高效的炼金自由能协议，通过使用预训练且具备炼金能力的机器学习势函数（MLP），实现了对多种有机分子溶剂化自由能的亚化学精度计算。

这项研究提出了 CheMeleon，一种通过利用低噪声分子描述符进行预训练的千万级参数深度学习基础模型，成功解决了深度学习在小样本实际任务中难以超越传统机器学习方法的难题，在多个基准测试中表现优于随机森林及现有基础模型。

本文通过利用热 Gibbs 系综中所有激发态的特性，确保了热通用泛函的 Gâteaux 可微性，从而给出了在有限温度下，一维环面上具有任意固定粒子数且满足特定相互作用条件的 $v$ -可表示密度集的显式且最大化的描述。

本文提出了一种基于高斯过程回归（SALTED模型）的长程机器学习方法，通过在小尺度结构上训练并利用长程描述符进行外推，实现了对大尺寸扭转双层莫尔超晶格电子密度的精确预测，从而能够有效捕捉平带形成、电场分布及自旋轨道耦合等复杂的量子物理现象。