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 Autoren stellen einen neuartigen Rahmen für die dynamische Elektronentomographie vor, der kontinuierliches Neigen mit einer selbstüberwachten Deep-Learning-Rekonstruktion kombiniert, um die dreidimensionale, strahlenschonende Beobachtung von Nanomaterial-Transformationen unter Betriebsbedingungen in Echtzeit zu ermöglichen.
Die Studie stellt ein neuartiges Framework für stationäre topologische akustische Spin-Meron-Gitter vor, die durch akustische Spin-Freiheitsgrade und Phasensingularitäten in stehenden Wellen ermöglicht werden und eine robuste, programmierbare Plattform für topologische Quasiteilchen bieten.
Die Studie präsentiert eine neue analytische Theorie für die Flash-Temperatur bei Gleitkontakten auf zufällig rauen Oberflächen, die im Gegensatz zu klassischen Modellen die Mehrskaligkeit der Oberflächenrauheit berücksichtigt und zeigt, dass diese etablierten Theorien bei realen, mehrskalig rauen Oberflächen stark versagen.
Das Paper stellt das RHINO-MAG-Modell vor, einen hocheffizienten GRU-basierten Ansatz zur Vorhersage transienter Magnetfelder in Ferritmaterialien, der durch seine überlegene Parameter-Effizienz und Genauigkeit den ersten Platz im MagNet Challenge 2025 gewann.
Die Studie zeigt, dass der anomale superlineare temperaturabhängige Widerstand im metallischen Clathrat BaNiP durch einen strukturellen Phasenübergang von tetragonal zu orthorhombisch bei ca. 373–378 K verursacht wird, wobei lokale Ba-Rattling-Schwingungen im orthorhombischen Zustand für die Widerstandsanomalie verantwortlich sind.
Die Studie klassifiziert die winkelabhängigen Streumuster polarisierter Small-Angle-Neutronen-Streuung (SANS) an magnetischen Wirbel-Ensembles in Nanopartikeln analytisch in vier Symmetrie-Regime, die durch die Rotations-Symmetrie und die statistische Verteilung der Wirbelachsen bestimmt werden und ein robustes, modelltransparentes Rahmenwerk für die experimentelle Datenanalyse bieten.
Die Studie stellt NLSTEM vor, eine Nachverarbeitungsmethode für 4D-STEM, die durch nicht-lokale Musterdurchschnittsbildung das Signal-Rausch-Verhältnis verbessert und damit die Indexierungsraten, insbesondere bei ionenbestrahlten Proben, signifikant steigert.
In dieser Studie wird gezeigt, wie sich der Antiferromagnet NiO mithilfe von THz-Licht in einen stark nichtlinearen Zustand versetzen und durch ein 33-Tesla-Magnetfeld steuern lässt, was einen entscheidenden Schritt zur ultraschnellen Schaltung antiferromagnetischer Ordnungen darstellt.
Die Autoren stellen eine robuste Methode vor, die auf der Identifizierung von Reflexionsminima in spektroskopischen Messungen basiert, um die in-plane dielektrische Permittivität von kleinen van-der-Waals-Mikrokristallen wie hexagonalem Bornitrid und α-MoO3 ohne komplexe Anpassungsalgorithmen oder Nahfeld-Sonden zu bestimmen.
Diese Studie stellt die Northeast Materials Database (NEMAD) vor, eine umfassende experimentelle Datenbank für magnetische Materialien, die mithilfe von Large Language Models erstellt wurde und durch den Einsatz von Machine-Learning-Modellen die Klassifizierung magnetischer Phasen sowie die präzise Vorhersage von Übergangstemperaturen ermöglicht, um die Entdeckung neuer Hochtemperatur-Magnetmaterialien zu beschleunigen.