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.

Large temperature-up-jump simulations of a binary Lennard-Jones system

Diese Studie zeigt, dass das Tool-Narayanaswamy-Materialzeit-Konzept zur Beschreibung der physikalischen Alterung eines binären Lennard-Jones-Systems nach großen Temperatur-Sprüngen nur dann gut funktioniert, wenn das System nicht zu weit vom Gleichgewicht entfernt ist, was die Notwendigkeit einer möglichen Verallgemeinerung des Ansatzes für stark heterogene Systeme nahelegt.

Aude Amari, Lorenzo Costigliola, Jeppe C. Dyre2026-03-17🔬 cond-mat.mtrl-sci

Monitoring Gallium-Induced Damage in Aluminum Alloys Using Nonlinear Resonant Ultrasound Spectroscopy

Die Studie demonstriert, dass die Nichtlineare Resonante Ultraschallspektroskopie in Kombination mit der Singulärwertzerlegung geeignet ist, die durch Gallium verursachte Versprödung in Aluminiumlegierungen zu überwachen und verschiedene Phasen des Diffusionsprozesses sowie Korrelationen zu dynamischen Materialeigenschaften zu identifizieren.

Jan Kober, Radovan Zeman, Josef Krofta, Antonio S. Gliozzi, Marco Scalerandi2026-03-17🔬 cond-mat.mtrl-sci

Diffusion-based Generative Machine Learning Model for Predicting Crack Propagation in Aluminum Nitride at the Atomic Scale

Die Studie stellt ein diffusionsbasiertes generatives maschinelles Lernmodell vor, das die atomare Rissausbreitung in Aluminiumnitrid (AlN) ausschließlich auf Basis von Mikrostruktur-Embeddings vorhersagt und dabei eine signifikante Beschleunigung gegenüber herkömmlichen Molekulardynamik-Simulationen bei gleichzeitiger hoher physikalischer Genauigkeit ermöglicht.

Jiali Lu, Shengfeng Yang2026-03-17🔬 cond-mat.mtrl-sci