3514 Arbeiten
Die Welt der kondensierten Materie und Materialwissenschaften untersucht, wie sich Atome zu neuen Materialien verbinden und welche faszinierenden Eigenschaften daraus entstehen. Von Supraleitern, die Strom ohne Verlust leiten, bis hin zu weichen Materialien, die unser tägliches Leben verändern, reicht das Spektrum dieser Forschung. Gist.Science macht die neuesten Erkenntnisse aus diesen Feldern für alle zugänglich, indem wir die komplexen Preprints von arXiv sorgfältig durchgehen.
Für jede neue Veröffentlichung in dieser Kategorie erstellen wir sowohl eine leicht verständliche Zusammenfassung als auch eine detaillierte technische Analyse. So können Sie schnell den Kern der Forschung erfassen oder tief in die mathematischen und physikalischen Details eintauchen, je nach Ihrem Interesse. Unser Ziel ist es, die Sprachbarriere zwischen Fachleuten und der breiten Öffentlichkeit zu überwinden.
Nachfolgend finden Sie die aktuellsten Beiträge aus dem Bereich kondensierte Materie und Materialwissenschaften, die wir gerade für Sie aufbereitet haben.
Die Studie zeigt, dass der Übergang von Néel- zu Bloch-Wänden in dünnen Filmen mit zunehmender Dicke ein zweiter Ordnungsphasenübergang ist, der durch eine kritische Mode vermittelt wird, deren Frequenz sich unterhalb des kritischen Wertes wie die Quadratwurzel der Differenz verhält.
Diese Übersichtsarbeit beleuchtet, wie Fortschritte in der Materialwissenschaft, der Gerätekarakterisierung und der Nanofabrikation die Herausforderungen bei der Skalierung von Josephson-Kontakten für die industrielle Quantencomputing-Technologie adressieren und dabei die Maßstäbe für zukünftige Bauelemente neu definieren.
Die Studie stellt eine neuartige, selbstbeheizende elektrochemische Zelle vor, die als programmierbarer, nichtflüchtiger Linearwiderstand mit einer Präzision über neun Größenordnungen und nahezu perfekten Strom-Spannungs-Charakteristiken dient, wodurch hochpräzise analoge Signalverarbeitung und effizientes In-Memory-Computing ermöglicht werden.
Die Studie nutzt ein mit synthetischen Daten trainiertes U-Net-Modell zur robusten Segmentierung labyrinthartiger Magnetstreifen in Bi:YIG-Filmen und entwickelt darauf aufbauend eine geometrische Analyse-Pipeline, um die durch Feldpolarität gesteuerten Evolutionsmuster vom gequenchten zum getemperten Zustand quantitativ zu charakterisieren.
Die Studie zeigt mittels Erstprinzipienrechnungen und experimenteller Bestätigung, dass kompressive Spannung in epitaktischen RuO₂-Filmen auf TiO₂-Substraten die Bildung einer altermagnetischen Phase begünstigt, wobei die Symmetrie des Substrats (100 vs. 110) entscheidet, ob ein idealer altermagnetischer oder ein ferrimagnetischer Zustand vorliegt.
Die Studie stellt LitMOF vor, ein von großen Sprachmodellen gesteuertes Multi-Agenten-System, das strukturelle Fehler in Metall-organischen Gerüst-Datenbanken korrigiert und neue experimentelle MOFs identifiziert, um so die Zuverlässigkeit datengestützter Materialentdeckungen zu gewährleisten.
Die Arbeit stellt CatMaster vor, ein natives Multi-Agenten-Framework für die Katalyseforschung, das den gesamten wissenschaftlichen Prozess von der Konzeption bis zur Manuskripterstellung autonom durchführt und damit die praktische Machbarkeit einer vollständig automatisierten computergestützten Katalyseforschung demonstriert.
Die Arbeit stellt den CARBON-2D Topologischen Deskriptor (C2DTD) vor, einen physikbasierten und interpretierbaren Merkmalsvektor, der lokale Geometrie und Ringtopologie integriert, um die Struktur-Energie-Beziehung in zweidimensionalen Kohlenstoffnetzwerken auch bei kleinen Datenmengen effizient und präzise vorherzusagen.
Die Studie stellt den AQVolt26-Datensatz vor, der durch gezielte Hochtemperatur-Sampling-Methoden die Zuverlässigkeit universeller maschineller Lernpotentiale für die dynamische Untersuchung von Halid-Elektrolyten in Festkörperbatterien sicherstellt und zeigt, dass solche domänenspezifischen Daten für die genaue Vorhersage unter extremen Bedingungen unerlässlich sind.
Die Arbeit stellt PolyJarvis vor, einen autonomen LLM-Agenten, der über das Model Context Protocol mit der RadonPy-Simulationsplattform gekoppelt ist, um Polymer-Eigenschaften aus natürlichen Spracheingaben oder SMILES-Strings vollständig automatisiert zu berechnen und dabei Ergebnisse zu liefern, die mit denen von Experten durchgeführten Simulationen übereinstimmen.