🔬 Category

cond-mat.mtrl-sci

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.

🔬 materials science

Size-dependent transformation patterns in NiTi tubes under tension and bending: Stereo digital image correlation experiments and modeling

Diese Studie untersucht mittels stereo-digitaler Bildkorrelation und eines gradientenverstärkten Modells, wie sich die Transformationsmuster in superelastischen NiTi-Rohren unter Zug- und Biegebelastung in Abhängigkeit vom Durchmesser und der Wanddicke systematisch ändern, wobei ein Übergang von feinen zu groben oder fingerlosen Fronten durch das energetische Gleichgewicht zwischen Volumen- und Grenzflächenenergie erklärt wird.

Aslan Ahadi, Elham Sarvari, Jan Frenzel, Gunther Eggeler, Stanisław Stupkiewicz, Mohsen Rezaee-Hajidehi2026-03-27
🔬 mesoscale physics

Intrinsic structure of relaxor ferroelectrics from first principles

Die Studie stellt das erste-principles-Framework FIRE-Swap vor, das mithilfe von Machine-Learning-Potenzialen eine robuste Vorhersage der intrinsischen rock-salt-ähnlichen chemischen Ordnung und der Nb-Cluster-Morphologie in relaxierenden Ferroelektrika wie PMN ermöglicht, was eine mesoskopische Grundlage für das Verständnis ihrer Ferroelektrizität liefert.

Xinyu Xu, Kehan Cai, Yubai Shi, Peichen Zhong, Pinchen Xie2026-03-27
🔬 materials science

The Impact of Magnons, Defects, and Rapid Energy Migration on the Optical Properties of the 2D Magnet CrPS4

Die Studie zeigt, dass die komplexe optische Feinstruktur des zweidimensionalen Antiferromagneten CrPS4 primär durch exchange-vermittelte Kopplung zwischen optischen Spin-Flip-Übergängen und Magnonen entsteht, wobei sub-Pikosekunden-Energietransport und Defektfallen neue Perspektiven für die optische Kontrolle von Spinwellen eröffnen.

Jacob T. Baillie, Eden Tzanetopoulos, Rachel T. Smith, Remi Beaulac, Daniel R. Gamelin2026-03-27
🔬 materials science

On the Boroxol Ring Fraction in Melt-Quenched B2_2O3_3 Glass

Die Autoren stellen ein DFT-genaues, maschinell gelerntes Potenzial vor, das es ermöglicht, durch tiefpotentialbasierte Molekulardynamik-Simulationen mit extrem langsamen Abkühlraten und einem geeigneten geometrischen Deskriptor B₂O₃-Gläser mit einer Boroxol-Ring-Fraktion von über 30 % zu erzeugen, die sich einer experimentell geschätzten energetischen Minimum bei 75 % nähert.

Debendra Meher, Nikhil V. S. Avula, Sundaram Balasubramanian2026-03-27
🔬 materials science

Twist-induced Out-of-plane Ferroelectricity in Bilayer Hafnia

Die Studie zeigt, dass durch Verdrillung von zwei Schichten 1T-HfO₂ eine robuste und schaltbare senkrechte Ferroelektrizität entsteht, die durch Symmetriebrechung in Moiré-Supergittern ermöglicht wird und neue Wege für die Integration in atomar dünne Speicher- und Logikbauelemente eröffnet.

Jian Huang, Gwan Yeong Jung, Pravan Omprakash, Guodong Ren, Xin Li, Du Li, Xiaoshan Xu, Li Yang, Rohan Mishra2026-03-27
🤖 machine learning

How unconstrained machine-learning models learn physical symmetries

Die Arbeit stellt strenge Metriken vor, um zu untersuchen, wie unbeschränkte maschinelle Lernmodelle physikalische Symmetrien erlernen, und zeigt, dass durch strategisches Einfügen minimaler induktiver Vorurteile sowohl die Stabilität als auch die Genauigkeit verbessert werden können, ohne die hohe Ausdruckskraft der Architekturen zu beeinträchtigen.

Michelangelo Domina, Joseph William Abbott, Paolo Pegolo, Filippo Bigi, Michele Ceriotti2026-03-27
🔬 condensed matter

Geometric superfluid stiffness of Kekulé superconductivity in magic-angle twisted bilayer graphene

Die Studie zeigt, dass ein endlicher Impuls-Paar-Dichtewellen-Zustand (PDW) in magic-angle twisted bilayer Graphen die beobachtete endliche Leitfähigkeit bei Null-Bias mit einer charakteristischen T2T^2-Unterdrückung der supraleitenden Steifigkeit bei tiefen Temperaturen vereinheitlicht und somit einen direkten experimentellen Zusammenhang zwischen Tunnel-Spektroskopie und Phasenstarrheit herstellt.

Ke Wang, Qijin Chen, Rufus Boyack, K. Levin2026-03-27
🔬 materials science

Concerted Electron-Ion Transport by Polyacrylonitrile Elucidated with Reactive Deep Learning Potentials

Diese Studie nutzt reaktive Deep-Learning-Potentiale, um zu zeigen, dass die durch einen Nukleophilaangriff initiierte Cyclisierung von Polyacrylonitril (PAN) den geschwindigkeitsbestimmenden Schritt darstellt, der eine anschließende, um den Faktor 10.000 beschleunigte, lithiumionengekoppelte Elektronenübertragung und Ringbildung entlang der Polymerkette auslöst.

Rajni Chahal-Crockett, Michael D. Toomey, Logan T. Kearney, Yawei Gao, Joshua T. Damron, Amit K. Naskar, Santanu Roy2026-03-27
🔬 physics

Permeation of hydrogen across graphdiyne: molecular dynamics vs. quantum simulations and role of membrane motion

Diese Studie zeigt, dass molekulardynamische Simulationen mit quantenmechanischen Korrekturen und der Berücksichtigung der Membranbewegung zuverlässige Vorhersagen für die Wasserstoffpermeation durch Graphdiyn-Membranen ermöglichen, wobei die thermische Bewegung der Membran die Permeationsbarrieren signifikant senkt.

Mateo Rodríguez, José Campos-Martínez, Marta I. Hernández2026-03-27