3352 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.
Dieses Papier bietet einen umfassenden Überblick über die Grundprinzipien und Methoden der Röntgenphotoelektronenspektroskopie (XPS), um Einsteigern durch die Klärung zentraler Konzepte wie chemischer Verschiebungen und Peak-Fitting eine zuverlässige Dateninterpretation zu ermöglichen.
Diese Studie demonstriert erstmals, dass die K-Ionen-Intercalation in elektrochemisch abgeschiedenen Prussian-Blue-Analoga nanoskopische, reversible Resistive-Switching-Effekte mit außergewöhnlich hohen Schaltgeschwindigkeiten ermöglicht und sie somit als kostengünstige, CMOS-kompatible Materialien für neuromorphe Speicher und Memristoren etabliert.
Die Studie zeigt, dass dickere amorphe Korngrenzenkomplexe in nanokristallinem Cu-Zr die plastische Verformung homogener machen und die Bildung von Scherbändern unterdrücken, indem sie Defekte absorbieren, was zu einer verbesserten Schadensresistenz führt.
Die Studie stellt ESU-MOF vor, einen datengetriebenen Ansatz, der mittels eines speziell abgestimmten Large Language Models auf Basis einer neu erstellten Literatur-Datenbank die Skalierbarkeit von Metall-organischen Gerüsten (MOFs) mit 91,4 % Genauigkeit vorhersagt, um deren industrielle Anwendung zu beschleunigen.
Diese Studie stellt ein globales Digital Image Correlation-Verfahren vor, das durch die automatische Entfernung beschädigter Elemente direkt auf dem Gitternetzwerk angewendet wird, um Rissinitiierung und -ausbreitung in architektonischen Materialien präzise zu erfassen und zu verfolgen.
Die Studie zeigt, dass der im hexagonalen -MnTe beobachtete makroskopische Bruch der Zeitumkehrsymmetrie und der damit verbundene gigantische spontane Kerr-Effekt nicht auf die ideale altermagnetische Ordnung zurückzuführen sind, sondern durch Defekte und Ladungsträger-Selbstdotierung verursacht werden, was durch den fehlenden Effekt in stöchiometrischen, isolierenden Dünnschichten belegt wird.
Diese Studie demonstriert mittels Rastertunnel- und winkelaufgelöster Photoemissionsspektroskopie an Antimon-Tellurid-Homolog-Supergittern mit zwei bis vier Antimonen-Schichten das Vorhandensein eines Sattelpunkts und einer van-Hove-Singularität nahe dem M-Punkt, wobei die Hybridisierung von Sb- und Te--Orbitalen als entscheidender Mechanismus für die Verschiebung dieser Singularität zur Fermi-Energie identifiziert wird.
Das Paper stellt das KI-Framework DielecMIND vor, das durch die Kombination von hypothesengenerierenden Sprachmodellen mit physikalisch validierten Erstprinzipien-Rechnungen die Entdeckung seltener Hoch-k-Dielektrika revolutioniert und dabei die bekannte Klasse um 35 % durch die Identifizierung von fünf neuen, stabilen Verbindungen erweitert.
Dieser Artikel gibt einen Überblick über datengetriebene und maschinelle Lernansätze, die genutzt werden, um die Simulation von Punktdefekten in Festkörpern durch den Einsatz von Surrogatmodellen und interatomaren Potenzialen zu beschleunigen, wodurch quantenmechanisch genaue Vorhersagen von Defekteigenschaften bei Bruchteilen der Rechenkosten ermöglicht werden.
Die Studie stellt MagMatLLM vor, ein constraint-gesteuertes generatives Framework, das Sprachmodelle mit evolutionärer Selektion und erster-Prinzipien-Validierung kombiniert, um unter konkurrierenden physikalischen Bedingungen zwölf neuartige magnetische Isolatoren zu entdecken, von denen zehn als dynamisch stabil und funktional vielversprechend bestätigt wurden.