2794 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.
In dieser Arbeit berichten die Autoren über die experimentelle Beobachtung der akustischen magnetochiralen Anisotropie in -Quarz mittels eines Ultraschallspektrometers mit beispielloser Auflösung und stellen ein einfaches makroskopisches Modell vor, das die Größe und Frequenzabhängigkeit des Effekts erklärt.
Die Studie stellt das LoRA-basierte Feinabstimmungsframework Equitrain vor, das mit minimalen zusätzlichen Daten die Vorhersagegenauigkeit von phononischen und thermischen Eigenschaften durch maschinengelernte Interatomare Potentiale über 53 Materialsysteme hinweg signifikant verbessert und dabei sowohl vortrainierte als auch von Grund auf neu trainierte Modelle übertrifft.
Die vorgestellte Arbeit überwindet die Lücke zwischen Simulation und Experiment, indem sie ein generatives Modell, das auf simulierten Daten trainiert wurde, durch eine neuartige adversielle Verteilungsausrichtung (ADA) an reale experimentelle Beobachtungen anpasst, um so korrekte Verteilungen physikalischer Systeme zu rekonstruieren.
Die Studie zeigt, dass atomare Grenzflächenverbreiterung in (SiGe)m/(Si)m-Supergittern lokalisierte Energiezustände erzeugt, die experimentell nachgewiesene optische Übergänge im Bereich von 2 bis 2,5 eV ermöglichen und somit eine zerstörungsfreie Methode zur Charakterisierung dieser Grenzflächen bieten.
Die Studie stellt einen neuartigen Rahmen für die globale Sensitivitätsanalyse zeitabhängiger Ausgaben des Doyle-Fuller-Newman-Modells vor, der es ermöglicht, unwichtige Parameter in Lithium-Ionen-Batteriesimulationen zu identifizieren und deren Einfluss auf die Spannungsantwort zu quantifizieren.
Diese Studie nutzt einen Multi-Objective-Bayesian-Optimization-Ansatz mit Ensemble-Surrogatmodellen und einer effizienten Sampling-Strategie, um hochentropische Legierungen mit gleichzeitig hoher mechanischer Härte und weichen magnetischen Eigenschaften zu identifizieren.
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.
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.
Diese Studie zeigt, dass durch gezielte Steuerung von Schwefel-Stöchiometrie und Wachstumsparametern bei der Molekularstrahlepitaxie von MoS 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.
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.