Journal of the American Chemical Society· Niamh O’Neill; Benjamin X. Shi; William C. Witt; Blake I. Armstrong; Asmita Niyogi; William J. Baldwin; Paolo Raiteri; Christoph Schran; Angelos Michaelides; Julian D. Gale·· 来源仅提供日期AI 评分44
从精确量子化学到收敛热力学:机器学习实现 CaCO3 溶液离子配对预测
From Accurate Quantum Chemistry to Converged Thermodynamics for Ion Pairing in Solution
AI 导读
研究团队结合机器学习与电子结构理论,完整解析了 CaCO3 在显式溶剂中的离子配对自由能。要与实验定量吻合,计算需超越密度泛函理论,达到 CCSD(T) 级别。由此生成的可系统改进模型揭示了 Ca 与 CO3 成核前的初始缔合机制,并量化焓、熵效应,同时厘清钙离子水合机制长期缺乏共识的问题。
已发表论文 · journal · 10.1021/jacs.6c20276
本站摘要基于收录版本 v1(2026-11-06),原始摘要与 AI 导读固定保留。
IF(5) 16.1 · 2025 · 期刊参考指标
摘要 · AI 翻译
溶液中热力学性质的定量预测对于将原子模拟转化为可靠的化学洞见至关重要。作为范例体系,CaCO3 在水中的行为已被广泛研究,以理解其在海水中的矿化过程,并可能对碳捕集策略产生影响。然而,做出准确的计算预测一直是一项长期挑战,既需要高精度的电子结构方法,也需要广泛的统计采样。在此,我们结合机器学习与电子结构理论的进展,通过显式溶剂化完全解析了 CaCO3 的离子配对自由能。我们表明,要实现实验上的定量一致,需要超越密度泛函理论,采用
来源:Journal of the American Chemical Society · doi.org