Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Strong Acid and Base Solutions03:22

Strong Acid and Base Solutions

32.3K
A strong acid is a compound that dissociates completely in an aqueous solution and produces a concentration of hydronium ions equal to the initial concentration of acid. For example, 0.20 M hydrobromic acid will dissociate completely in water and produces 0.20 M of hydronium ions and 0.20 M of bromide ions.
32.3K
Titration Calculations: Weak Acid - Strong Base03:55

Titration Calculations: Weak Acid - Strong Base

45.1K
Calculating pH for Titration Solutions: Weak Acid/Strong Base
For the titration of 25.00 mL of 0.100 M CH3CO2H with 0.100 M NaOH, the reaction can be represented as:
45.1K
Polyprotic Acids03:38

Polyprotic Acids

29.5K
Acids are classified by the number of protons per molecule that they can give up in a reaction. Acids such as HCl, HNO3, and HCN that contain one ionizable hydrogen atom in each molecule are called monoprotic acids. Their reactions with water are:
29.5K
Intermolecular Forces03:13

Intermolecular Forces

61.0K
Atoms and molecules interact through bonds (or forces): intramolecular and intermolecular. The forces are electrostatic as they arise from interactions (attractive or repulsive) between charged species (permanent, partial, or temporary charges) and exist with varying strengths between ions, polar, nonpolar, and neutral molecules. The different types of intermolecular forces are ion–dipole, dipole–dipole, hydrogen bonds, and dispersion; among these, dipole–dipole, hydrogen...
61.0K
Chemical Equilibria: Systematic Approach to Equilibrium Calculations01:21

Chemical Equilibria: Systematic Approach to Equilibrium Calculations

822
Equilibrium calculations for systems involving multiple equilibria are often complex. For example, to calculate the solubility of a sparingly soluble salt in an aqueous solution in the presence of a common ion, one must consider all the equilibria in this solution. Calculations for these systems can be complicated and tedious, so a systematic approach with a series of steps is often helpful. The process is detailed below.
The first step is to identify all the chemical reactions involved, The...
822
Aqueous Solutions and Heats of Hydration02:42

Aqueous Solutions and Heats of Hydration

15.0K
Water and other polar molecules are attracted to ions. The electrostatic attraction between an ion and a molecule with a dipole is called an ion-dipole attraction. These attractions play an important role in the dissolution of ionic compounds in water.
When ionic compounds dissolve in water, the ions in the solid separate and disperse uniformly throughout the solution because water molecules surround and solvate the ions, reducing the strong electrostatic forces between them. This process...
15.0K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Bridging Atomistic and Mesoscale Lithium Transport via Machine-Learned Force Fields and Markov State Models.

Journal of chemical theory and computation·2026
Same author

Fine-Tuning Unifies Foundational Machine-Learned Interatomic Potential Architectures at <i>ab initio</i> Accuracy.

The journal of physical chemistry letters·2026
Same author

Large-Scale Cooperative Sulfur Vacancy Dynamics in Two-Dimensional MoS<sub>2</sub> From Machine Learning Interatomic Potentials.

Small (Weinheim an der Bergstrasse, Germany)·2026
Same author

Predicting <sup>31</sup>P NMR Shifts in Large-Scale, Heterogeneous Databases by Gas Phase DFT: Impact of Conformer and Solvent Effects.

ACS omega·2026
Same author

Acid-Base Chemistry of Short Hydrogen Bonds: A Tale of Schrödinger's Cat in Glutamine-Derived Crystals.

The journal of physical chemistry letters·2025
Same author

Band alignment at InP/TiO<sub>2</sub>interfaces from density-functional theory.

Journal of physics. Condensed matter : an Institute of Physics journal·2024

Video Experimental Relacionado

Updated: Sep 9, 2025

Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
10:52

Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics

Published on: April 12, 2019

12.9K

Optimización de los potenciales interatómicos de aprendizaje automático para el transporte de hidróxido: sorprendente

Jonas Hänseroth1, Christian Dreßler1

  • 1Theoretical Solid State Physics, Institute of Physics, Technische Universität Ilmenau, 98693 Ilmenau, Germany.

The Journal of chemical physics
|August 28, 2025
PubMed
Resumen

Los potenciales de aprendizaje automático para las soluciones de hidróxido de potasio muestran una escasa transferibilidad entre concentraciones. El ajuste fino de las concentraciones intermedias mejora la precisión y captura fenómenos de alta concentración como el enlace de hidrógeno.

Más Videos Relacionados

Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry
12:11

Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry

Published on: April 8, 2020

8.3K
Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid
08:54

Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid

Published on: January 25, 2020

5.7K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
10:52

Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics

Published on: April 12, 2019

12.9K
Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry
12:11

Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry

Published on: April 8, 2020

8.3K
Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid
08:54

Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid

Published on: January 25, 2020

5.7K

Área de la Ciencia:

  • Química computacional
  • Ciencias de los materiales
  • Aprendizaje automático

Sus antecedentes:

  • Los potenciales interatómicos de aprendizaje automático (MLIP) se utilizan cada vez más en simulaciones moleculares.
  • La transferibilidad de los MLIP a través de diferentes ambientes químicos o concentraciones es un desafío clave.
  • Las soluciones acuosas de hidróxido de potasio (KOH) presentan un sistema químicamente homogéneo con concentraciones variables.

Objetivo del estudio:

  • Investigar la transferibilidad de los MLIP para las soluciones acuosas de KOH a través de las variaciones de concentración.
  • Identificar estrategias para mejorar la transferibilidad de MLIP sin datos extensos.
  • Para permitir simulaciones precisas de la dinámica del transporte de hidróxido en diversas condiciones de electrolitos.

Principales métodos:

  • Desarrollo y puesta a punto de MLIPs para concentraciones específicas de KOH.
  • Evaluación del rendimiento de MLIP (errores de predicción de la fuerza) en un amplio rango de concentración (0,56-17,89 mol L-1).
  • Comparación de modelos entrenados en concentraciones únicas frente a múltiples y concentraciones intermedias seleccionadas estratégicamente.

Principales resultados:

  • Los modelos entrenados en concentraciones específicas mostraron una mala transferibilidad, con errores que aumentaron de 30 a 90 meV Å-1.
  • El ajuste fino en una concentración intermedia (6,26 mol L-1) produjo una excelente transferabilidad entre todas las concentraciones probadas.
  • El modelo de concentración intermedia capturó con precisión los fenómenos emergentes de alta concentración como el enlace hidróxido-hidróxido.

Conclusiones:

  • La selección de datos estratégicos, específicamente las concentraciones intermedias, mejora significativamente la transferibilidad de MLIP en sistemas químicamente similares.
  • Este enfoque ofrece una alternativa computacionalmente eficiente a la capacitación en diversos conjuntos de datos para un rendimiento robusto de MLIP.
  • Los hallazgos proporcionan directrices prácticas para el desarrollo de MLIPs ampliamente aplicables para simulaciones de electrolitos.