2692 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.
Durch umfangreiche kryogene Experimente und theoretische Modellierung erläutert diese Studie die Leitungsmechanismen in Hochleistungs-Kohlenstoffnanoröhrenfasern und zeigt auf, dass heterogene, fluktuationsinduzierte Tunnelprozesse sowie feldabhängiger Transport es ihnen ermöglichen, herkömmliche Metalle in der ultimativen Leitfähigkeit zu übertreffen.
Das Papier stellt \texttt{MACE-Field} vor, ein -äquivariantes interatomares Potenzial, das ein uniformes elektrisches Feld in das MACE-Backbone integriert, um durch exakte Differentiation eines gelernten elektrischen Enthalpiefunktionals die dielektrischen, ferroelektrischen und spektroskopischen Eigenschaften diverser anorganischer Materialien präzise vorherzusagen.
Diese Studie zeigt auf, dass Janus-Übergangsmetall-Dichalkogenid-Nanoröhren ihr Energieminimum erreichen und anomale optische Phononenfrequenz-Peaks aufweisen, wenn ihr extrinsischer Radius dem intrinsischen Biegungsradius der Monolage entspricht, ein Phänomen, das durch weiche Phononenschwingungsmoden infolge von Krümmungsabweichungen getrieben wird.
Diese Studie nutzt maschinelles Lernen und diffusionsbasierte Strukturvorhersage, um aufzuzeigen, dass amorphes Lithiumdifluorphosphat (), eine Schlüsselkomponente der festen Elektrolytzwischenphase, aufgrund von struktureller Unordnung und einem Übermaß an interstitiellen Defekten eine hohe Ionenleitfähigkeit aufweist, was darauf hindeutet, dass amorphe Mischanionenphasen die primären Schnellionenpfade in Lithium-Ionen-Batterien sind.
Dieses Paper schlägt „Data-Model Coevolution“ als ein grundlegendes Architekturprinzip für KI-native Materialdatenbanken vor und validiert dieses anhand eines Li-P-S-ternären Prototyps, indem es demonstriert, dass endogene Generierungs-, Evaluations- und Verfeinerungszyklen autonom neuartige stabile Phasen entdecken und eine hochpräzise prädiktive Modellierung bei minimalem First-Principles-Aufwand erreichen können.
Diese Arbeit schlägt ein neues „Constraint-Modulated Viscosity Law“ vor, das auf der Prämisse der „Continuous Present Actualization“ basiert und Standardmodelle wie VFT und MYEGA bei der Anpassung an breitfenstrige glasbildende Systeme übertrifft, indem es die kontinuierliche Verengung des konfigurativen Zugangs während der Abkühlung der Flüssigkeiten berücksichtigt.
Diese Studie kombiniert impulsaufgelöste Photoemissionsspektroskopie und DFT+U-Berechnungen, um die elektronische Bandstruktur des geschichteten Antiferromagneten CrPS experimentell zu charakterisieren, wobei eine Ligand-zu-Metall-Ladungstransferlücke sowie distinkte Orbitalhybridisierungsmuster aufgedeckt werden, welche dessen magnetische und optische Eigenschaften bestimmen.
Dieses Paper führt eine groß angelegte, ausgerichtete Nanokristall-Synthese-Eigenschafts-Datenbank ein, die unter Verwendung des LLM-gestützten NanoExtractor-Tools erstellt wurde, was das generative inverse Design lebensfähiger Nanokristall-Synthesewege durch das NanoDesigner-Modell ermöglicht, welches erfolgreich durch die experimentelle Bestätigung sowohl etablierter als auch neuartiger Nanokristall-Formulierungen validiert wurde.
Das Paper stellt MOF-LLM vor, ein neuartiges Framework, das die räumlichen Denkfähigkeiten eines Qwen-3 8B Sprachmodells durch räumlich bewusste kontinuierliche Pre-Training, Supervised Fine-Tuning und Reinforcement Learning verbessert, um eine hocheffiziente 3D-Strukturvorhersage auf Blockebene für metallorganische Gerüstverbindungen auf dem Stand der Technik zu erreichen.
MatMind ist ein vereinheitlichtes generatives Fundamentmodell für die Kristallmaterialwissenschaft, das struktur-aktivitätsbezogenes Wissen und physikbasierte Rückkopplung integriert, um spezialisierte, eng gefasste Architekturen sowohl bei der Eigenschaftsvorhersage als auch bei Kristallgenerierungsaufgaben zu übertreffen.