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 Studie zeigt, dass ein auf mikromagnetischen Simulationsdaten trainiertes, kompaktes Convolutional Neural Network die interfaciale Dzyaloshinskii-Moriya-Wechselwirkung aus magnetischen Blasentexturen robust und zuverlässig vorhersagen kann, selbst bei Vorhandensein von Rauschen, Inhomogenitäten und reduzierter Auflösung.
Diese Arbeit präsentiert eine *ab-initio*-Untersuchung der strukturellen, elektronischen und hyperfeinen Eigenschaften der gesamten NaRTiO-Ruddlesden-Popper-Reihe, wobei die elektrischen Feldgradienten (EFG) als hochempfindliche, symmetriespezifische Fingerabdrücke identifiziert werden, um experimentell die umstrittenen Grundzustandssymmetrien dieser Materialien aufzuklären.
Die Forschungsarbeit stellt das modulare Python-Paket „SingingMaterials" vor, das Phononendaten aus der Materials-Project-Datenbank mittels Sonifikation in hörbare Signale umwandelt und durch eine Nutzerstudie belegt, dass diese Methode ein interpretierbares und ergänzendes Werkzeug zur Erkundung von Materialeigenschaften bietet.
Diese Studie demonstriert die erfolgreiche Integration von epitaktischem -AlO in eine TiN-Heteroepitaxiestruktur mittels Pulsed Laser Deposition und weist erstmals einen intrinsisch niedrigen Zwei-Niveau-System-Verlust von nach, was diese Materialkombination zu einem vielversprechenden Ansatz für verlustarme supraleitende Quantenschaltungen macht.
Diese Studie nutzt nicht-empirische, dielektrisch-abhängige Hybridfunktional-Rechnungen, um die elektronischen Eigenschaften, die Oberflächenstabilität und die Energiebandausrichtung von bleifreien, vakanzgeordneten Halogenid-Doppel-Perowskiten der Familie Cs₂MX₆ zu analysieren und identifiziert dabei vielversprechende Kandidaten für den Einsatz in der Optoelektronik.
Diese Studie zeigt, dass die Einbeziehung langreichweitiger Wechselwirkungen in einem Machine-Learning-Potenzial (MACELES) für Bariumtitanat zwar quantitative Eigenschaften wie Phasenübergangstemperaturen und dielektrische Konstanten signifikant verbessert, während die qualitativen ferroelektrischen Verhaltensweisen auch ohne diese Wechselwirkungen korrekt wiedergegeben werden.
Die Studie präsentiert eine systematische Untersuchung zweidimensionaler Übergangsmetalltrihalid-Monolagen, die zeigt, dass insbesondere MnF₃ und PdF₃ aufgrund spin-orbit-kopplungsinduzierter Bandlücken und chiraler Randzustände das Quantenanomale-Hall-Effekt aufweisen.
Diese Studie kombiniert Dichtefunktionaltheorie mit einem rekurrenten neuronalen Netzwerk, um die lokale elektronische Struktur von MoS₂ unter nicht-uniformer Dehnung zu rekonstruieren, und zeigt dabei, dass biaxiale Verformung durch Falten und Nanoblasen den Bandabstand und die Dielektrizitätskonstante signifikant stärker beeinflusst als uniaxiale Dehnung, was die elektrischen Transporteigenschaften in realen Bauelementen verbessert.
Die vorgestellte Arbeit behauptet fälschlicherweise, dass der Ruf mexikanischer Grabfrösche durch einen spekulativen Raman-Laser-Mechanismus Gravitationswellen detektieren könne, wobei das Fehlen eines nachgewiesenen Effekts paradoxerweise als Beweis für die Wirksamkeit dieser Methode angeführt wird.
Diese Studie kombiniert Dichtefunktionaltheorie und maschinelles Lernen, um durch eine regionsaufgelöste Analyse von Röntgenabsorptionsspektren (XANES) nachzuweisen, dass der pi*-Bereich die aussagekräftigste Information liefert, um die durch Bor- und Stickstoffdotierung verursachten elektronischen Modifikationen in Graphen, insbesondere die Ladungsverschiebung und Bindungslänge, präzise vorherzusagen.