4135 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 Studie kombiniert Rastertunnelmikroskopie und Ab-initio-Berechnungen, um zu zeigen, dass die Pt(111)-Oberfläche bei Temperaturen über 600 K die thermische Umwandlung von n-Octan in Benzolringe durch intramolekulare Cyclisierung sowie in polyzyklische Spezies durch einen reißverschlussartigen intermolekularen Homokopplungsmechanismus katalysiert.
Diese Arbeit präsentiert ein umfassendes Phasenfeld-Bruchmodell für spröde Materialien unter Thermoschock, das die Volumenmaterialeigenschaften, die Festigkeit und die Zähigkeit unabhängig voneinander spezifiziert und erfolgreich die Vorhersage vielfältiger Bruchszenarien – von der Rissausbreitung bis hin zu Keimbildung und Verzweigung – über verschiedene experimentelle Fälle hinweg vereinheitlicht, bei denen klassische Ansätze versagen.
Durch die Messung der Austrittsarbeiten von Li- und Li-Metallnanopartikeln entdeckten Forscher einen signifikanten Isotopeneffekt und eine nicht-triviale Temperaturabhängigkeit, die einfache Modelle infrage stellen und die Natur von Lithium als Quantenmaterial hervorheben, bei dem elektronische und ionische Freiheitsgrade stark miteinander wechselwirken.
Diese Studie zeigt, dass der topologische Antiferromagnet MnSn einen ungewöhnlich großen nahinfraroten photoelastischen Effekt aufweist, der durch kohärente akustische Phononen angetrieben wird, was seine außergewöhnliche Empfindlichkeit gegenüber Gitterverzerrungen offenbart und eine Grundlage für ultraschnelle Straintronik-Anwendungen schafft.
Diese Arbeit präsentiert ein recheneffizientes, zweidimensionales analytisches Modell zur Charakterisierung toroidaler Magnetringe mit kreisförmigem Querschnitt unter sinusförmiger Anregung, wobei explizite Ausdrücke für interne Felder, Impedanz und getrennte Verlustkomponenten abgeleitet werden, um als präzise Alternative zur Finite-Elemente-Analyse für standardisierte Materialprüfungen zu dienen.
Diese Arbeit zeigt, dass äquivariante Graph-neuronale Netze, spezifisch ein adaptiertes GotenNet, bestehende State-of-the-Art-Modelle bei der Vorhersage optischer Spektren und der statischen Permittivität zur Material-Screening-Anwendung signifikant übertreffen, indem sie geometrische Ausdrucksstärke und hochpräzise Trainingsdaten auf RPA-Niveau nutzen.
AdsMind ist ein physikbasiertes, geschlossener Regelkreis-Multi-Agenten-Framework, das maschinelles Lernen auf Kraftfeldfeedback nutzt, um initiale Schätzungen autonom zu korrigieren und effizient präzise Adsorptionskonfigurationen auf heterogenen Katalysatoroberflächen zu entdecken, wobei es Open-Loop-Methoden und heuristischen Baselines in Bezug auf Zuverlässigkeit und Recheneffizienz deutlich übertrifft.
Diese Studie präsentiert die erste großflächige Beobachtung von untersubsurface plastischer Aktivität in konditionierten Kupferelektroden und zeigt auf, dass die Exposition gegenüber Hochfeldern eine signifikante Fehlorientierung innerhalb der Körner induziert, was konsistent mit der sich entwickelnden Versetzungsdynamik als dem zugrunde liegenden physikalischen Mechanismus für die Hochfeldkonditionierung ist.
Dieses Paper schlägt ein physikinformiertes Framework vor, das konvexe neuronale Netze nutzt, um anisotrope Fließfunktionen direkt aus Vollfeld-Verschiebungs- und Reaktionskraftdaten zu entdecken, indem es die Fließfunktion in ein differenzierbares elastoplastisches Spannungsintegrationsschema einbettet und somit die Notwendigkeit direkter Spannungsbeobachtungen oder vordefinierter parametrischer Formen umgeht.
Dieses Paper schlägt ein hybrides GNN-FEM-Framework vor, das einen Graph Neural Network-Surrogat für Phase-Field-Updates in ein konventionelles Finite-Elemente-gestaffeltes Schema integriert, was effiziente, präzise und generalisierbare Simulationen der geschichtungsabhängigen Bruch-Evolution über diverse Geometrien und Bedingungen hinweg ermöglicht, während die physikalische Konsistenz gewahrt bleibt.