🔬 Category

cond-mat.mtrl-sci

5016 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.

🔬 Materialwissenschaft

No band gap, no problem: Defects in InAs using a band-avoiding occupation-constrained density functional theory

Diese Arbeit stellt eine bandvermeidende, besetzungsbeschränkte Dichtefunktionaltheorie-Methode (ba-occ-DFT) vor, die das Null-Bandlücken-Problem in Halbleitern mit schmaler Bandlücke wie Indiumarsenid (InAs) überwindet und dadurch präzise Vorhersagen von atomaren Defektniveaus ermöglicht, obwohl die Standard-DFT daran scheitert, die experimentelle Bandlücke zu reproduzieren.

Peter A. Schultz, Arthur H. Edwards, Evan M. Anderson, Anthony C. Knighton, Leopoldo Diaz2026-07-30
🔬 Materialwissenschaft

Towards real-time surrogate-free Bayesian inversion for neutron reflectometry

Dieses Paper stellt ein schnelles, surrogatfreies Bayessches Inversionsverfahren für die Neutronenreflektometrie vor, das exakte Gradienten nutzt, um hocheffiziente Hamiltonian-Monte-Carlo- und Variational-Inference-Methoden zu ermöglichen und damit eine erstklassige Geschwindigkeit bei der Quantifizierung von Unsicherheiten sowie Robustheit für komplexe Proben bietet, ohne dabei an physikalischer Intuition einzubüßen.

Max D. Champneys, Andrew J. Parnell, Philipp Gutfreund, Maximilian W. A. Skoda, Patrick A. Fairclough, Timothy J. Rogers (…)2026-07-29
🔬 Materialwissenschaft

Dual-Level Atomic and Coordination Geometry Learning for Crystal Property Prediction Using Graph Neural Networks

Das Papier schlägt das Coordination Polyhedron Graph Network (CPGN) vor, ein mehrskaliges Graph-Neural-Network, das die Ebenen der Atome, Bindungen und Koordinationspolyeder explizit durch bidirektionale Cross-Attention modelliert, um durch das Erfassen fundamentaler Struktureinheiten, die von bestehenden Modellen oft übersehen werden, eine erstklassige Genauigkeit bei der Vorhersage von Kristall-Eigenschaften zu erreichen.

Sanjay Chakraborty2026-07-29
🔬 Materialwissenschaft

A flexible kinetic Monte Carlo framework for GaN molecular beam epitaxy with adaptive on-the-fly barrier evaluation

Diese Arbeit präsentiert ein flexibles, skalierbares gitterbasiertes kinetisches Monte-Carlo-Framework zur Simulation des GaN-Molekularstrahlepitaxie-Wachstums, das vordefinierte Aktivierungsenergie-Kataloge mit adaptiven, durch maschinelles Lernen optimierten On-the-fly-Barriere-Evaluierungen integriert, um komplexe Wachstumsphänomene wie Inselbildung, Ostwald-Reifung und temperaturgetriebenes Inselwandern präzise zu modellieren.

Sajid Ali, Norbert Krause, Carla Verdi2026-07-29
🔬 Materialwissenschaft

MANDALA: An E(3)-Equivariant Graph Neural Network Framework for Learning Electronic-Structure Operators with Observable Guidance

Mandala ist ein modulares, E(3)-äquivariantes Graph Neural Network Framework, das die Lücke zwischen maschinellem Lernen und elektronischen Strukturkalkulationen schließt, indem es block-sparse Quantenoperatoren lernt, um direkt elektronische Observablen wie Bandstrukturen und Zustandsdichten vorherzusagen und somit traditionelle maschinelle Lern-Interatompotenziale zu ergänzen.

Bartosz Brzoza, Wiktoria Szopa, Zakaria Elabid, Vincent Martinetto, Varadarajan Rengaraj, Mani Lokamani, Thomas D. Kühne (…)2026-07-29
🔬 Materialwissenschaft

First-Principles Origins of Charge Transport in Molecular Semiconductors

Dieses Paper führt ein parameterfreies, auf First-Principles basierendes Framework auf Basis nichtperturbativer Green-Kubo-Dynamik ein, das den Ladungstransport in molekularen Halbleitern über diverse Regime hinweg präzise vorhersagt, den vorherrschenden mikroskopischen Mechanismus für DNTT umstößt, indem es die transiente Lokalisierung der korrelierten On-Site-Unordnung zuschreibt, und die Phenacen-Familie als eine vielversprechende Richtung für Materialien mit hoher Mobilität identifiziert.

Tong Jiang, Joonho Lee2026-07-29
🔬 Materialwissenschaft

Identifying Contact Barrier Types in Few-Layer MoS2 Devices Using Correlative IV, LBIC, and Bias-Dependent KPFM

Diese Arbeit präsentiert ein integriertes experimentelles Framework, das IV, LBIC und spannungsabhängiges KPFM kombiniert, um Schottky- versus Tunnelkontaktbarrieren in wenigen Lagen dicken MoS2-Bauelementen eindeutig zu identifizieren und zu charakterisieren, wobei nachgewiesen wird, dass die thermische Temperung zwar den Gesamtwiderstand reduziert, die Kontaktbarrieren jedoch der dominante limitierende Faktor bleiben.

Ariane Ufer, Zeinab Eftekhari, Benjamin Mayer, Hendrik Lambers, Hubert J. Krenner, Rebecca Saive, Ursula Wurstbauer2026-07-29
🔬 Mesoskopische Physik

Anisotropic domain wall velocity profiles in the creep regime: the interplay of chiral damping, stiffness and Dzyaloshinskii-Moriya interaction

Diese Arbeit präsentiert ein erweitertes Winkelkriechmodell, das dispersive Domänenwandsteifigkeit und chirale Dämpfung integriert, um die anisotrope Expansion magnetischer Blasenbereiche präzise zu beschreiben und dadurch die quantitative Extraktion der Dzyaloshinskii-Moriya-Wechselwirkung sowie chiraler Dynamikeffekte zu verbessern.

Adriano Di Pietro, Alessandro Magni, Stefania Pizzini, Frowin Dörr, Yasser Shokr, Gianfranco Durin, Silvia Tacchi, Marco (…)2026-07-29
🔬 Materialwissenschaft

Transformer Atomic Cluster Expansion: TRACE

Das Papier stellt die Transformer Atomic Cluster Expansion (TRACE) vor, eine energieerhaltende Machine-Learning-Architektur, die durch die Kombination von atomaren Cluster-Expansion-Korrelationen mit lokaler Multi-Head-Cross-Attention erfolgreich die Modellierung vielfältiger physikalischer Phänomene – einschließlich polymorpher Phasenübergänge, flüssiger Strukturen und chemischer Reaktivität – vereinigt.

Paramvir Ahlawat2026-07-29