4239 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.
Die Arbeit zeigt, dass bestimmte zentrosymmetrische Antiferromagneten durch eine spezielle Spin-Bahn-Kopplung so beschrieben werden können, als besäßen sie eine ferromagnetische Einheitszelle mit nur einem magnetischen Gitterplatz, was das Auftreten des anomalen Hall-Effekts und der orbitalen Magnetisierung erklärt.
Diese Arbeit stellt einen neu entwickelten, selbstkonsistenten Kontinuumsansatz vor, der kurzreichweitige Hubbard- und langreichweitige Coulomb-Wechselwirkungen kombiniert, um erstmals magnetische Ordnungen in verdrehten Graphen-Multilagen mit atomarer Detailgenauigkeit zu untersuchen und dabei konsistente Phasendiagramme für verdrehtes bilayer- und trilayer-Graphen in der Nähe des magischen Winkels zu ermitteln.
Die Studie zeigt, dass feinabgestimmte MACE-Maschinenlern-Kraftfelder für die Vorhersage der Lithiumdiffusion in LiF eine mit DeePMD vergleichbare Genauigkeit erreichen, obwohl sie nur einen Bruchteil der Trainingsdaten benötigen.
Der Artikel stellt den Entwurf und die Umsetzung des zugänglichen, webbasierten Kurses AI4CHEM vor, der speziell für synthetische Chemiker ohne Programmierkenntnisse entwickelt wurde, um sie durch praxisorientierte, chemiekontextbezogene Übungen in die Anwendung von künstlicher Intelligenz und maschinellem Lernen in ihrer Forschung einzuführen.
Die Studie demonstriert die erfolgreiche Realisierung und stabile ein- sowie zweidimensionale Transportfähigkeit akustischer Bimeron-Topologietexturen auf chiralen Metastrukturen, die durch Spoof-Oberflächenakustische Wellen (SSAWs) angeregt werden, und etabliert damit ein robustes Fundament für zukünftige akustische Informationsverarbeitungstechnologien.
Die Studie zeigt, dass durch Sauerstoff- und Fluor-Funktionalisierung sowie kryogene Temperaturen die Schwelle für die selektive Schwefelentfernung aus MoS₂ mittels Niedertemperaturplasma signifikant gesenkt wird, wodurch eine präzise und schadensarme Bearbeitung von Übergangsmetall-Dichalkogeniden ermöglicht wird.
Diese Studie stellt eine auf Convolutional Neural Networks basierende Klassifizierungsmethode vor, die mit überlegener Genauigkeit experimentell synthetisierbare Zeolithe von hypothetischen Strukturen unterscheidet und dabei eine kleine Gruppe vielversprechender Kandidaten für die zukünftige experimentelle Synthese identifiziert.
Diese Studie untersucht die durch Hochtemperaturglühen bis 1500 °C verursachten Phasenänderungen in natürlichen Olivinen aus Mortlake, Australien, indem sie Polarisations-IR-Reflexionsspektroskopie, Röntgenenergie-dispersive Spektroskopie und Magnetisierung zur Charakterisierung der Bildung eisenreicher Oxide und der zugehörigen spektralen Farbveränderungen kombiniert.
Diese Studie beschreibt die Hydroflux-Synthese und die magnetischen Eigenschaften des neuartigen zemannitartigen Antiferromagneten KCo(TeO) 2.5 HO, der eine pseudo-honigwabenartige Struktur mit Co-Dimeren aufweist und bei 7,6 K in einen langreichweitigen antiferromagnetischen Zustand übergeht.
Diese Arbeit stellt einen verallgemeinerten probabilistischen Reparameterisierungsansatz vor, der die bayessche Optimierung für gemischte Suchräume mit nicht-äquidistanten diskreten Variablen ermöglicht und so eine effiziente, gradientenbasierte Lösung für komplexe Optimierungsprobleme in den Naturwissenschaften und autonomen Laboren bietet.