🔬 Category

cond-mat.mtrl-sci

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.

Physics-informed neural network for predicting fatigue life of unirradiated and irradiated austenitic and ferritic/martensitic steels under reactor-relevant conditions

Diese Studie stellt ein physik-informiertes neuronales Netzwerk (PINN) vor, das die Ermüdungslebensdauer von austenitischen und ferritisch/martensitischen Stählen unter Reaktorbedingungen präziser und physikalisch konsistenter vorhersagt als herkömmliche maschinelle Lernverfahren, indem es physikalische Randbedingungen in den Lernprozess integriert und die dominierenden Einflussfaktoren wie Dehnungsamplitude, Bestrahlungsdosis und Temperatur identifiziert.

Dhiraj S Kori, Abhinav Chandraker, Syed Abdur Rahman, Punit Rathore, Ankur Chauhan2026-03-20🔬 cond-mat.mtrl-sci

Phase-Field Model of Freeze Casting

Diese Arbeit stellt ein quantitatives Phasenfeldmodell vor, das die gerichtete Erstarrung wässriger Lösungen zur Herstellung poröser Materialien simuliert, indem es die stark anisotropen Eigenschaften der teilweise facettierten Eis-Wasser-Grenzfläche berücksichtigt und dabei zeigt, dass die laterale Driftgeschwindigkeit der Eislamellen durch die Kinetik der Basalebene gesteuert wird und die Simulationsergebnisse auch bei rechnerisch handhabbaren Parametern quantitativ zuverlässig sind.

Kaihua Ji, Alain Karma2026-03-20🔬 cond-mat.mtrl-sci

DiffCrysGen: A Generative Diffusion Model for Accelerated Design of Inorganic Crystalline Materials

Die Studie stellt DiffCrysGen vor, ein vollständig datengesteuertes Diffusionsmodell, das die effiziente Generierung funktionaler anorganischer Kristallmaterialien durch einen einzigen, end-to-end Prozess ermöglicht und dabei die Probenahme im Vergleich zu bestehenden Methoden um zwei bis drei Größenordnungen beschleunigt, ohne dabei die chemische und strukturelle Vielfalt zu beeinträchtigen.

Sourav Mal, Nehad Ahmed, Junaid Jami, Subhankar Mishra, Prasenjit Sen2026-03-20🔬 cond-mat.mtrl-sci

KAN-Enhanced Contrastive Learning Accelerating Crystal Structure Identification from XRD Patterns

Die Studie stellt XCCP vor, ein physikbasiertes kontrastives Lernframework mit Kolmogorov-Arnold-Netzwerken, das die schnelle und genaue Identifizierung von Kristallstrukturen aus Röntgenbeugungsmustern ermöglicht und so die Hochdurchsatzanalyse sowie die Integration in autonome Labore revolutioniert.

Chenlei Xu, Tianhao Su, Jie Xiong, Yue Wu, Shuya Dong, Tian Jiang, Mengwei He, Shuai Chen, Tong-Yi Zhang2026-03-20🔬 cond-mat.mtrl-sci

Origin of Bright Quantum Emissions with High Debye-Waller factor in Silicon Nitride

Die Studie identifiziert mittels hybrider Dichtefunktionaltheorie den negativ geladenen NSi_\text{Si}VN_\text{N}-Fehlstellenkomplex in Siliziumnitrid als mikroskopische Ursache für helle Quantenemissionen im sichtbaren Bereich und zeigt, dass sowohl die C1h_{1h}-Konfiguration als auch deren pseudo-Jahn-Teller-verzerrte Struktur charakteristische, linear polarisierte Nullphononlinien mit hohen Debye-Waller-Faktoren aufweisen.

Shibu Meher, Manoj Dey, Abhishek Kumar Singh2026-03-20🔬 cond-mat.mtrl-sci

Multimodal Machine Learning for Soft High-k Elastomers under Data Scarcity

Diese Arbeit stellt einen multimodalen Lernansatz vor, der auf großen vortrainierten Polymerrepräsentationen basiert, um mit einem neu kuratierten Datensatz von Acrylat-basierten Dielektrika die datenineffiziente Entdeckung von weichen Elastomeren mit hohem Dielektrizitätskonstanten und niedrigem Elastizitätsmodul zu ermöglichen.

Brijesh FNU, Viet Thanh Duy Nguyen, Ashima Sharma, Md Harun Rashid Molla, Chengyi Xu, Truong-Son Hy2026-03-20🔬 cond-mat.mtrl-sci

Lightweight phase-field surrogate for modelling ductile-to-brittle transition through phenomenological elastoplastic coupling

Diese Arbeit stellt einen leichten Phasenfeld-Surrogatmodellansatz vor, der mittels dreier phänomenologischer Mechanismen den duktil-spröden Übergang in kubisch-raumzentrierten Systemen im isothermen Rahmen effizient abbildet und dabei die charakteristischen Änderungen im Bruchverhalten über einen Temperaturbereich von 77 bis 293 K erfolgreich simuliert.

P G Kubendran Amos2026-03-20🔬 cond-mat.mtrl-sci