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。

该研究利用深度学习结合原子中心对称函数（ACSFs）与可解释人工智能技术，成功识别了 NaCl 离子对在溶液中解离与缔合的反应坐标，并深入解析了水桥结构等溶剂效应对该机制的分子层面影响。

本文介绍了专为训练通用原子机器学习模型而精心构建的 MAD-1.5 数据集，该数据集通过统一的 r²SCAN 泛函和标准化流程涵盖了 102 种元素及多种结构形态，并显著提升了化学空间覆盖度与数据一致性，从而实现了高精度且稳定的原子间势模型训练。

本文提出了名为 GET-SEI 的通用框架，通过结合图对比学习、扩展动态模式分解和过渡路径理论，无需预设标签即可自动识别固态电解质/锂金属界面中的局部原子环境并量化锂离子传输动力学，从而为不同体系的固态电池界面优化提供可解释的定量评估工具。

本文通过一种恢复原子级纯净度的纳米加工协议，在碳化硅外延石墨烯上构建了模板工程化的分子异质结，成功观测并解析了 HMTP 分子层中由 Davydov 分裂主导的激子能级结构，揭示了暗激子态在极化子介导下的辐射弛豫机制，为研究暗激子动力学及开发固态分子量子存储器提供了可扩展平台。

该研究提出了一种通过线性热力学模型将分子动力学模拟结果外推至零时间步长的框架，从而消除离散化误差、恢复玻尔兹曼统计一致性，并能够同时估算系统的热容、压缩率和热膨胀系数。

本文提出了一种基于低维物理信息分子描述符的贝叶斯优化框架，通过高效的代理建模与可靠的逆向映射机制，在数据稀缺条件下成功实现了从连续描述符空间到离散分子结构的精准优化，显著提升了在 QM9 数据集上针对熵和零点振动能等目标属性的分子发现效率。

本文提出了一种结合斯托克斯 - 爱因斯坦方程与机器学习的混合模型（ESE），仅需分子 SMILES 字符串即可实现对无限稀释液体扩散系数的高精度、物理一致预测，其性能优于现有最先进模型 SEGWE，并已通过开源网页工具公开。

本文提出了 ChemFlow，一种新颖的层次化神经网络框架，通过融合原子、官能团和分子级特征并引入浓度感知的双向注意力机制，有效解决了化学混合物中跨尺度相互作用建模的难题，显著提升了混合物理化性质的预测精度。

本文提出了一种基于微扰 Super-CI 方法的轨道优化策略（Super-CIPT），用于实现两分量 CASSCF 计算，该方法通过自洽处理自旋轨道耦合与静态关联，在卤素等重元素体系的光谱分裂计算中展现出优于传统单分量方法的精度与收敛性。

本文通过构建包含次锕系元素的新数据集 HE26，成功开发了覆盖 97 种元素的开源通用机器学习原子势模型，填补了核能领域重元素模拟的空白并推动了新型核材料的设计。