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。

A Benchmark Dataset for Machine Learning Surrogates of Pore-Scale CO2-Water Interaction

本文介绍了一个包含 624 个高分辨率二维样本的基准数据集,该数据集基于高保真数值模拟生成,旨在捕捉孔隙尺度下 CO₂与水在多孔介质中的复杂相互作用,从而为碳捕获与封存(CCS)领域的机器学习代理模型开发与评估提供关键基准。

Alhasan Abdellatif, Hannah P. Menke, Julien Maes, Ahmed H. Elsheikh, Florian Doster2026-03-03🤖 cs.LG

Quantitative and Predictive Folding Models from Limited Single-Molecule Data Using Simulation-Based Inference

该研究提出了一种基于模拟推断的框架,通过结合物理建模与深度学习,仅需极少量的单分子力谱数据即可高精度重构复杂生物分子的折叠自由能景观并量化参数不确定性,从而克服了传统方法对大量数据和复杂校准的依赖。

Lars Dingeldein, Aaron Lyons, Pilar Cossio, Michael Woodside, Roberto Covino2026-03-03🔬 physics

Resolving the Body-Order Paradox of Machine Learning Interatomic Potentials

本文通过探讨在原子极限下施加多体展开的复杂性,并利用氢团簇数据集训练机器学习势函数,揭示了模型类型和数据构成如何影响其有效体序的内在趋势及其收敛性与泛化能力,从而为未来机器学习势函数的开发提供了关键见解。

Sanggyu Chong, Tong Jiang, Michelangelo Domina, Filippo Bigi, Federico Grasselli, Joonho Lee, Michele Ceriotti2026-03-03🔬 physics

Advancing Universal Deep Learning for Electronic-Structure Hamiltonian Prediction of Materials

本文提出了名为 NextHAM 的通用深度学习框架,通过引入基于初始电荷密度的零阶哈密顿量描述符、构建严格满足 E(3) 对称性的高表达力 Transformer 架构以及设计兼顾实空间与倒空间精度的训练目标,并结合包含 1.7 万种材料结构及自旋轨道耦合效应的大规模基准数据集 Materials-HAM-SOC,实现了高效且高精度的材料电子结构哈密顿量预测。

Shi Yin, Zujian Dai, Xinyang Pan, Lixin He2026-03-03🔬 cond-mat.mtrl-sci

Tunable electronic energy level alignment and exciton diversity in organic-inorganic van der Waals heterostructures

该研究利用第一性原理计算揭示了由分子晶体与过渡金属硫族化合物构成的有机 - 无机范德华异质结中,TMD 诱导的极化效应可显著重整分子带隙,并通过调节 TMD 层实现对能级排列及混合激子与电荷转移激子多样性的灵活调控,为可调控光电器件和量子激子现象提供了新的材料平台。

Aurélie Champagne, Olugbenga Adeniran, Jonah B. Haber, Antonios M. Alvertis, Zhen-Fei Liu, Jeffrey B. Neaton2026-03-03🔬 cond-mat.mtrl-sci

Understanding How Synthetic Impurities Affect Glyphosate Solubility and Crystal Growth Using Free Energy Calculations and Molecular Dynamics Simulations

该研究结合分子动力学模拟、自由能计算与实验验证,揭示了合成副产物甘氨酸通过优先吸附于晶体表面阻碍晶核生长以及增强草甘膦溶解度从而降低过饱和度这两种机制,显著抑制了草甘膦的结晶过程。

Alejandro Castro, Ignacio Sanchez-Burgos, Nuria H. Espejo, Adiran Garaizar, Giovanni Maria Maggioni, Jorge R. Espinosa2026-03-03🔬 cond-mat.mtrl-sci