4173 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.
Dieses Paper stellt Langevin Speculative Dynamics (LSD) vor, eine verteilte und modellagnostische Methode des spekulativen Samplings, die Molekulardynamiksimulationen durch ein schnelles Entwurfsmodell und parallele Verifizierung um das 3- bis 9-fache beschleunigt, ohne einen relativen Fehler einzuführen oder die Genauigkeit der Verteilung des Zielmodells zu beeinträchtigen.
Diese Studie zeigt, dass das Ex-situ-Tempern aus gewachsenen SrFeO-Filmen, die anfänglich aus nanokristallinem Maghemit und amorphem Strontiumoxid bestehen, diese in gut kristallisierte, c-Achsen-orientierte Strontiumhexaferrit-Strukturen transformiert.
Diese Arbeit zeigt, dass NbN-Isolator-Ferromagnet-Tunnelkontakte, die mit einem einfachen zweistufigen Prozess unter Verwendung einer oxidierten Barriere hergestellt wurden, die Spinpolarisation von Ferromagneten mittels der Meservey-Tedrow-Technik zuverlässig bei Temperaturen bis zu 1,6 K messen können.
Mittels kryogener Rastertransmissionselektronenmikroskopie bildeten Forscher die Tieftemperaturstruktur des quantenparaelektrischen SrTiO3 direkt ab und zeigten, dass sich seine nanoskaligen polaren Domänen zunächst in eine periodische Struktur selbst organisieren, bevor sie beim Eintritt des Materials in das quantenparaelektrische Regime unterhalb von 40 K in kleine Cluster fragmentieren.
Diese Arbeit benchmarkt Tensor-Train-Operationen auf CPUs, GPUs und TPUs unter Verwendung von JAX, um einen quanteninspirierten, auf SFFT basierenden Homogenisierungsalgorithmus anzupassen und zu beschleunigen, wodurch erfolgreich hochauflösende multiskalige Simulationen im Bereich von 300 Millionen bis 70 Milliarden Gitterpunkten ermöglicht werden, die mit traditionellen GPU-basierten FFT-Methoden nicht durchführbar sind.
Durch die Kombination von dispersionskorrigierter Dichtefunktionaltheorie mit physik-informiertem maschinellem Lernen entschlüsselt diese Studie die Schwefeladsorptions- und Vergiftungsmechanismen über 30 ikosaedrische 13-Atom-Cluster aus Übergangsmetallen hinweg und identifiziert die isoelektronische Ti-Zr-Hf-Triade als eine ausgewogene Gruppe für das Design schwefeltoleranter subnanometergroßer Katalysatoren.
Das Papier stellt ELECTRAFI vor, ein schnelles und differenzierbares Modell, das periodische Ladungsdichten in kristallinen Materialien vorhersagt, indem es geschlossene Fourier-Transformationen von anisotropen Gauß-Funktionen nutzt, um eine erstklassige Genauigkeit bei einer bis zu 633-mal schnelleren Inferenz zu erreichen und dadurch die gesamten Berechnungskosten von DFT-Berechnungen signifikant zu reduzieren.
Diese Arbeit zeigt auf, dass Schein-Imaginärphasen-Phononenmodi die Schätzungen der Wärmekapazität signifikant verzerren und maschinelle Lernbenchmarks für metallorganische Gerüstverbindungen irreführen, und schlägt einen schnellen Post-Processing-Workflow vor, um diese Fehler für ein präzises Screening thermischer Eigenschaften zu korrigieren.
Dieses Paper führt RADII ein, einen radiusaufgelösten Benchmark, der die „Extrapolationsgrenze“ von graphgenerativen Modellen für die Materialwissenschaft systematisch charakterisiert und aufzeigt, dass die strukturelle Treue über die Trainingsradien hinaus vorhersehbar abnimmt und dass dieses Degradationsmuster einzigartig für jede Modellarchitektur ist.
Diese Arbeit untersucht, wie der Anstieg von KI und vernetzten Geräten den Übergang zu Edge-Computing-Architekturen vorantreibt, um beispiellose Rechenanforderungen zu erfüllen, und skizziert die zentralen Designs und Metriken, die nächste Generation intelligenter Sensorsysteme prägen werden.