2772 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.
Diese Perspektive skizziert ein integriertes Framework für das generative Design anorganischer Materialien, das auf einem fundierten KI-Modell, multimodalem Lernen und einem geschlossenen Regelkreis aus Hochdurchsatzexperimenten basiert, um die datengesteuerte inverse Entwicklung funktionaler Werkstoffe zu ermöglichen.
Diese Arbeit stellt eine nichtinvasive Methode namens „distributionale inverse Homogenisierung" vor, die es ermöglicht, aus makroskopischen mechanischen Messungen statistische Informationen über die Mikrostruktur von Materialien abzuleiten, indem sie Konzepte aus der Wahrscheinlichkeitstheorie und der Homogenisierungstheorie verbindet.
Die Studie zeigt, dass nanoporöse Hochentropielegierungen durch einen Verfestigungsmechanismus, der auf der Verlangsamung von Versetzungen und der Bildung von Stapelfehlern basiert, die inhärente Sprödigkeit nanoporöser Materialien überwinden und somit eine neue Generation hochfester, leichter Werkstoffe ermöglicht.
Die Studie stellt Diffusion-based Crystal Omni (DAO) vor, ein vortrainiertes Framework mit Siamesen-Modellen, das die Vorhersage von Kristallstrukturen aus chemischen Zusammensetzungen erheblich verbessert und dabei experimentelle Referenzen mit hoher Genauigkeit und um das Tausendfache schneller als herkömmliche DFT-Methoden erreicht.
Diese Studie stellt einen neuartigen Fourier-Neural-Operator (FNO) vor, der als rechenzeit-effizientes Ersatzmodell für die Phasenfeld-Simulation dient und durch das Lernen von Abbildungen zwischen Funktionsräumen eine hochgenaue, auflösungsunabhängige Vorhersage der Kornwachstumsdynamik über verschiedene Skalen hinweg ermöglicht.
Die Studie zeigt, dass durch den Aufbau von Hafnia-Zirkonia-Superlattices mit ZrO₂-Schichten als Verstärker und verbesserten Grenzflächeneigenschaften ferroelektrische Materialien mit rekordverdächtigen Polarisationen und hoher Haltbarkeit sowie einem hohen Anteil an dem nachhaltigeren Zirkoniumdioxid hergestellt werden können.
Diese Arbeit leitet mithilfe des Zwanzig-Projektionsoperator-Formalismus eine einheitliche statistische Theorie der Wärmeleitung in nichtuniformen Medien ab, die einen mikroskopisch definierten, kausalen Raum-Zeit-Kern bereitstellt, der Gedächtniseffekte, Nichtlokalität und Materialheterogenität vereint und klassische sowie hydrodynamische Transportregime als kontrollierte Grenzfälle umfasst.
Diese Studie zeigt, dass bei Fe-interkaliertem die strukturelle Ordnung der Fe-Atome in den Van-der-Waals-Lücken den magnetischen Grundzustand und die Néel-Temperatur steuert, wobei bei einer Konzentration von eine geordnete Superstruktur die stärkste antiferromagnetische Kopplung mit ermöglicht.
Diese Studie nutzt die Röntgenphotoelektronenspektroskopie (XPS), um die Wirksamkeit von 17 verschiedenen Schutzschichten auf Niob-Oberflächen gegen Oxidation und Kontamination während typischer Fertigungsprozesse zu bewerten und resiliente Beschichtungen für die Verbesserung der Leistung von supraleitenden Resonatoren und Qubits zu identifizieren.
Diese Arbeit stellt einen datengesteuerten Screening-Ansatz vor, der maschinelles Lernen und experimentelle Daten nutzt, um stabile und nachhaltige Chalkogenid-Perowskite für die Photovoltaik zu identifizieren und dabei einen neuen, präziseren Toleranzfaktor mittels SISSO-Algorithmus entwickelt.