Bilim insanları, tuzlu su çözeltilerinde su moleküllerinin kimyasel potansiyelini hesaplarken karşılaştıkları tutarsızlık sorununu araştırdı. Termodinamik kararlılığı değerlendirmede kritik olan serbest enerji hesaplamaları, özellikle iyonik türlerin polar çözücülerdeki güçlü etkileşimleri nedeniyle zorlu bir süreç. Araştırmacılar, KCl çözeltilerinde su moleküllerinin kimyasal potansiyelini sekiz farklı alkimyasal yolla hesaplayarak, van der Waals ve elektrostatik etkileşimlerin devreye alınma sırasının sonuçları nasıl etkilediğini inceledi. Teorik olarak yoldan bağımsız olması gereken sonuçların, pratikte kullanılan yönteme göre değişkenlik göstermesi, moleküler simülasyonlarda daha güvenilir hesaplama yöntemlerine duyulan ihtiyacı ortaya koyuyor.

Moleküler sistemlerin korelasyon enerjilerini hesaplamak için geliştirilen yeni DCM yöntemi, CCSD tekniğinden daha yüksek doğruluk sunuyor. Araştırmacılar, bu yöntemin verimliliğini artırmak amacıyla stokastik çözünürlük teknolojisini (sRI) entegre ederek sRI-DCM adını verdikleri hibrit yaklaşımı geliştirdiler. Bu yenilikçi teknik, büyük moleküler sistemlerde yüzlerce elektronun bulunduğu karmaşık hesaplamaları daha hızlı ve etkili şekilde gerçekleştiriyor. Hidrojen dimer zincirlerinde yapılan deneyler, yöntemin pratik uygulanabilirliğini kanıtladı. Kuantum kimyası hesaplamalarında önemli bir ilerleme sağlayan bu çalışma, büyük moleküllerin elektronik yapılarının anlaşılmasında yeni ufuklar açıyor.

Araştırmacılar, yoğunluk fonksiyonel teorisi (TDDFT) hesaplamalarında ortaya çıkan beklenmedik bir fenomeni inceledi. Ekstrem ultraviyole (XUV) darbe uygulandıktan sonra, moleküler dipol salınımlarında gecikmeli bir büyüme gözlemlenmişti. Yeni çalışma, bu durumun gerçek bir fiziksel fenomen değil, hesaplama yönteminin yarattığı bir yapay sonuç olduğunu ortaya koyuyor. Araştırma ekibi, sayısal ve analitik argümanlar kullanarak, adyabatik değişim-korelasyon yaklaşımının sistemdeki küçük ve saf sinüzoidal salınımları yanlış bir şekilde büyüttüğünü gösterdi. Özellikle N2 molekülü üzerinde yapılan testler, farklı hesaplama yaklaşımlarının nasıl farklı sonuçlar verdiğini açık bir şekilde ortaya koydu.

Araştırmacılar, demir bazlı katalizörlerin performansını önceden tahmin eden yorumlanabilir makine öğrenmesi çerçevesi geliştirdi. Bu yenilikçi yaklaşım, metan dönüşümü gibi enerji yoğun uygulamalarda kullanılan katalizörlerin keşif sürecini hızlandırabilir. Sistem, SHAP tabanlı özellik önem analizi ve ağaç tabanlı topluluk algoritmalarını birleştirerek, katalizörlerin elektronik yapı özelliklerini ve performans ilişkilerini başarıyla çözümleyebiliyor. Geleneksel deneme-yanılma yöntemlerinin pahalı ve zaman alıcı olması nedeniyle bu tür akıllı yaklaşımlar, katalizör geliştirme alanında büyük önem taşıyor. Çalışma özellikle metan kısmi oksidasyonu için Fe-zeolit ve oksit destekli katalizörlere odaklanıyor.

Bilim insanları, katalitik reaksiyonları modellemek için kullanılan makine öğrenimi tabanlı atomik potansiyelleri sistematik olarak iyileştirmenin yollarını araştırdı. MACE (Çok Atomlu Kümelenmiş Genişletme) potansiyellerinin farklı eğitim stratejileriyle nasıl optimize edilebileceğini inceleyen çalışma, CO₂'nin indirgenmesi, propan dehidrojenasyonu ve hidrojen interkalasyonu gibi 141 farklı reaksiyonu analiz etti. Araştırma, sıfırdan eğitim ile büyük temel modellerin ince ayarını karşılaştırarak, hangi yaklaşımların daha iyi sonuç verdiğini ortaya koydu. Bu gelişme, kataliz alanında hesaplamalı kimyanın hızını ve doğruluğunu artırarak, yeni katalizörlerin tasarımında önemli ilerlemeler sağlayabilir.

Araştırmacılar, periyodik sistemlerde kuantum mekaniği ve moleküler mekaniği birleştiren yeni bir hibrit hesaplama yöntemi geliştirdi. Bu polarize edilebilir gömme (PE) QM/MM şeması, özellikle su moleküllerini içeren sistemlerde iki alt sistemin karşılıklı polarizasyonunu dikkate alıyor. Yöntem, yoğunluk fonksiyoneli teorisi (DFT) ile tanımlanan kuantum mekaniksel sistemi, su moleküllerini karakterize eden tek merkezli çok kutuplu genişleme modeli ile birleştiriyor. Bu yaklaşım, malzeme bilimi, kataliz ve biyomoleküler sistemlerin analizinde önemli avantajlar sunuyor. Geliştirilen model, uzun menzilli etkileşimleri verimli şekilde hesaplayarak, tam kuantum mekaniksel hesaplamaların doğruluğunu korurken hesaplama maliyetini önemli ölçüde düşürüyor.

Bilim insanları, yoğunluk fonksiyonel teorisinde kullanılan geleneksel yaklaşımların hız-doğruluk ikilemini çözmek için yeni bir yapay zeka stratejisi geliştirdi. Araştırmacılar, genellik yerine doğruluğu tercih eden ve özellikle su molekülleri için optimize edilmiş bir sinir ağı modeli tasarladı. Bu 'aşırı öğrenme' yaklaşımı, sadece sekiz konfigürasyonla eğitilerek altın standart hesaplama yöntemlerine yakın sonuçlar elde etti. Model, iyonlaşma ve atomizasyon enerjilerinde 1 kcal/mol hata oranıyla çalışırken, spektral çizgiler ve elektron yoğunluğu dağılımı tahminlerini de önemli ölçüde geliştirdi.

Araştırmacılar, DNA'nın temel yapı taşlarından biri olan timin molekülünün su ile etkileşimini inceledi. Çalışma, su moleküllerinin timin üzerindeki elektron tutunma durumlarını nasıl etkilediğini araştırıyor. Bulgular, su moleküllerinin varlığının timin molekülünün bazı rezonans durumlarını güçlendirdiğini ve yaşam sürelerini uzattığını gösteriyor. Özellikle en düşük rezonansın yaşam süresi, yalıtılmış timin molekülünde 39 femtosaniye iken, üç su molekülü ile çevrelendiğinde 110 femtosaniyelye çıkıyor. Bu bulgular, canlı hücrelerde DNA'nın su ile etkileşiminin moleküler düzeyde anlaşılması açısından önemli.

Araştırmacılar, yapay sinir ağlarının kuantum kimya hesaplamalarında kullanılan yoğunluk fonksiyoneli teorisini (DFT) ne kadar başarılı şekilde taklit edebileceğini test eden yeni bir yöntem geliştirdi. 'Fonksiyonel klonlama' adı verilen bu yaklaşımda, yapay zeka modelleri bilinen bir değişim-korelasyon fonksiyonelini yeniden üretmeye çalışıyor. Çalışma, sınırlandırılmış ve sınırlandırılmamış mimariler kullanarak GGA seviyesinde eğitilen modellerin performansını karşılaştırıyor. Test sonuçları, sınırlandırılmış modellerin moleküler enerji hesaplamalarında ve kristal yapıların durum denklemlerinde daha başarılı olduğunu gösteriyor.

Kimyasal hesaplamalarda kritik olan elektron korelasyonlarının belirlenmesi için yeni bir yapay zeka yaklaşımı geliştirildi. Ranking Configuration Interaction (RCI) adı verilen bu yöntem, moleküllerdeki elektron davranışlarını tahmin etmek için geleneksel yöntemlerden farklı olarak 'sıralama' stratejisi kullanıyor. Transformer mimarisi kullanan sistem, elektronların orbital bağımlılıklarını daha doğru modelleyerek, kimyasal reaksiyonların ve moleküler özelliklerin hesaplanmasında önemli iyileştirmeler sağlıyor. Bu gelişme, ilaç tasarımından malzeme bilimlerine kadar pek çok alanda hesaplama kimyasının geleceğini şekillendirebilir.

Araştırmacılar, moleküllerin kimyasal özelliklerini anlamada kritik bir sorunu çözdü. Aynı yapıya sahip atomlar gerçekte farklı kimyasal ortamlarda bulunabilir, ancak geleneksel yöntemler bu farkları yakalayamıyor. Bilim insanları, NMR spektroskopisi verilerini yapay zeka ile birleştirerek CLAIM adlı yeni bir sistem geliştirdi. Bu sistem, moleküllerin 2D yapısal bilgilerini atom seviyesindeki NMR gözlemleriyle eşleştiriyor. Böylece kaybolmuş kimyasal detayları geri kazandırıyor ve dinamik moleküler davranışları daha iyi anlamamızı sağlıyor. Araştırma, ilaç keşfi ve malzeme biliminde yeni olanaklar sunuyor.