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.

Ensemble-Based Data Assimilation for Material Model Characterization in High-Velocity Impact

Diese Studie stellt einen effizienten, ensemblebasierten Datenassimilationsrahmen vor, der mithilfe des Ensemble-Kalman-Filters und adaptiver Kovarianzinflation Materialmodellparameter für Hochgeschwindigkeitseinschläge automatisch aus einem einzigen Experiment kalibriert und dabei die Parameterempfindlichkeit sowie die Identifizierbarkeit durch die Analyse der Ensemble-Streuung diagnostiziert.

Rong Jin, Guangyao Wang, Xingsheng Sun2026-04-01🔬 cond-mat.mtrl-sci

Continuous SUN (Stable, Unique, and Novel) Metric for Generative Modeling of Inorganic Crystals

Die vorgestellte Arbeit führt eine kontinuierliche SUN-Metrik (cSUN) für die Generierung anorganischer Kristalle ein, die die Limitierungen herkömmlicher binärer Bewertungsmaße überwindet, indem sie Stabilität, Einzigartigkeit und Neuheit als differenzierte, kontinuierliche Werte darstellt, um die Identifizierung vielversprechender Materialien zu verbessern und das Training von Reinforcement-Learning-Modellen zu optimieren.

Masahiro Negishi, Hyunsoo Park, Kinga O. Mastej, Aron Walsh2026-04-01🔬 cond-mat.mtrl-sci

Evaluation of Foundational Machine Learned Interatomic Potentials for Migration Barrier Predictions

Diese Studie bewertet die Genauigkeit fünf grundlegender maschineller interatomarer Potentiale bei der Vorhersage von Migrationsbarrieren für Batteriematerialien und identifiziert MACE-MP-0 sowie Orb-v3 als besonders vielversprechende Modelle für Hochdurchsatz-Screening-Anwendungen, wobei festgestellt wird, dass die Genauigkeit der Barrierevorhersage nicht mit der geometrischen Genauigkeit korreliert.

Achinthya Krishna Bheemaguli, Penghao Xiao, Gopalakrishnan Sai Gautam2026-04-01🔬 cond-mat.mtrl-sci

Effect of uniaxial compressive stress on polarization switching and domain wall formation in tetragonal phase BaTiO3 via machine learning potential

Diese Studie nutzt ein maschinelles Lernpotenzial, um zu zeigen, dass uniaxialer Druck in tetragonalem BaTiO₃ die Polarisationsschaltung und Domänenwandbildung steuert, wobei ab einer kritischen Spannung von 120 MPa die Aktivierungsenergien sinken und sich bei 80 MPa eine Doppelhystereseschleife ausbildet.

Po-Yen Chen, Teruyasu Mizoguchi2026-04-01🔬 physics

Controlling Mixed Mo/MoS2_2 Domains on Si by Molecular Beam Epitaxy for the Hydrogen Evolution Reaction

Diese Studie zeigt, dass durch gezielte Steuerung von Schwefel-Stöchiometrie und Wachstumsparametern bei der Molekularstrahlepitaxie von MoS2_2 auf Silizium defekt-engineerte Heterostrukturen mit metallischem Mo und Schwefel-Leerstellen entstehen, die die katalytische Aktivität für die Wasserstoffentwicklungsreaktion im Vergleich zu stöchiometrischen Proben mehr als verdoppeln.

Eunseo Jeon, Vincent Masika Peheliwa, Marie Hrůzová Kratochvílová, Tim Verhagen, Yong-Kul Lee2026-04-01🔬 cond-mat.mtrl-sci

Interplay between Temperature Oscillations and Melt Pool Dynamics in 3D Manufacturing Techniques

Diese Studie stellt ein physikalisch konsistentes Modell vor, das Temperaturoszillationen und Schmelzbaddynamik beim Laserschmelzen durch eine Rückkopplung von Erwärmung, Verdampfung und Kapillarkräften erklärt und geschlossene Formeln für die Echtzeitüberwachung sowie das Design industrieller Lasersysteme ableitet.

Stepan L. Lomaev, Georgii A. Gordeev, Marat A. Timirgazin, Dinara R. Fattalova, Mikhail D. Krivilyov2026-04-01🔬 physics.app-ph

Data-Driven Estimation of the interfacial Dzyaloshinskii-Moriya Interaction with Machine Learning

Die Studie zeigt, dass ein auf mikromagnetischen Simulationsdaten trainiertes, kompaktes Convolutional Neural Network die interfaciale Dzyaloshinskii-Moriya-Wechselwirkung aus magnetischen Blasentexturen robust und zuverlässig vorhersagen kann, selbst bei Vorhandensein von Rauschen, Inhomogenitäten und reduzierter Auflösung.

Davi Rodrigues, Andrea Meo, Ali Hasan, Edoardo Piccolo, Adriano Di Pietro, Alessandro Magni, Marco Madami, Giovanni Finocchio, Mario Carpentieri, Michaela Kuepferling, Vito Puliafito2026-04-01🔬 cond-mat.mtrl-sci

Permeation behaviour of hydrogen isotopes in molten FLiBe (2LiF-BeF2): Identifying sources of uncertainty and associated measurement challenges

Diese Studie nutzt das HYPERION-Facility, um die stark streuenden Daten zur Wasserstoffisotopendurchlässigkeit in FLiBe zu klären, indem sie durch einseitige Ladung von der Salzseite die signifikante Barrierewirkung von Blasen an der Ni-FLiBe-Grenzfläche aufdeckt und damit frühere Annahmen sowie Messmethoden in Frage stellt.

Abhishek Saraswat, Weiyue Zhou, Nayoung Kim, Jaron F. Cota, Guiqiu Zheng, Alexander A. Khechfe, Caroline S. Barthel, Michael P. Short, Rémi Delaporte-Mathurin, Kevin B. Woller2026-04-01🔬 physics