🔬 Category

cond-mat.mtrl-sci

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.

19 GHz Single-Ended-to-Balanced Modified Ladder-Lattice Filters Realized Using Periodically Polarized AlScN BAW Resonators

Dieses Paper präsentiert zwei modifizierte 19-GHz-Single-Ended-to-Balanced-Leiter-Gitter-Filter, die mit periodisch polarisierten AlScN-BAW-Resonatoren realisiert wurden und den Bedarf an externen Baluns eliminieren, während sie eine geringe Einfügedämpfung, eine hohe Sperrdämpfung außerhalb der Bandbreite sowie eine wettbewerbsfähige Leistung für drahtlose Kommunikationsanwendungen erreichen.

Merrilyn M. A. Fiagbenu, Shun Yao, Siddhant Sahoo, Mojtaba Hodjat-Shamami, Daeho Kim, Craig Moe, Pinal Patel, Ramakrishna Vetury, Roy H. Olsson III2026-06-02🔬 physics.app-ph

Beyond Text and Tables: Vision-Language Model Integration in ComProScanner for Extracting Materials Data from Scientific Figures with High Accuracy

Diese Arbeit präsentiert eine verbesserte Version des ComProScanner-Frameworks, das Vision-Language-Modelle integriert, um automatisch Zusammensetzungs-Eigenschafts-Daten aus wissenschaftlichen Abbildungen zu extrahieren, wobei eine hohe Genauigkeit und Kosteneffizienz erreicht wird, während gleichzeitig die erste vollständig automatisierte, multimodale Pipeline zur Gewinnung von Materialdaten aus Texten, Tabellen und Bildern etabliert wird.

Aritra Roy, Enrico Grisan, Chiara Gattinoni, John Buckeridge2026-06-02🔬 cond-mat.mtrl-sci

Advances in electrical contacts to single crystals of emerging materials for transport measurements

Diese Rezension hebt jüngste technologische Fortschritte bei der Herstellung hochwertiger, lithographisch definierter Multi-Terminal-elektrischer Kontakte auf neu aufkommenden Einkristallen hervor und bietet einen praktischen Leitfaden zur Überwindung der Herausforderungen, die durch deren unregelmäßige Geometrien und strukturelle Eigenschaften für zuverlässige Transportmessungen entstehen.

Huandong Chen, Abhay. N. Pasupathy, Jayakanth Ravichandran2026-06-02🔬 cond-mat.mtrl-sci

Data-Driven Discovery of Unconventional Antiferromagnets

Diese Arbeit präsentiert ein skalierbares, datengesteuertes Framework, das eine umfangreiche Materialdatenbank durchsucht, um 36 zuvor nicht berichtete Altermagnete und 9 Luttinger-kompensierte Ferrimagnete zu identifizieren und zu klassifizieren, wodurch ein Hochdurchsatz-Weg für die Entdeckung unkonventioneller Antiferromagneten mit vielversprechenden spintronischen Anwendungen etabliert wird.

Qirui Cui, Chenxu Liu, Anna Delin, Kaiyou Wang2026-06-02🔬 cond-mat.mtrl-sci

Synthesis of single-layered fluorographdiyne nanosheets via selective on-surface 2D covalent polymerization

Diese Arbeit berichtet über die erfolgreiche Synthese von einlagigen Fluorographdiyn-Nanosheets von bis zu 60×60 nm² auf einer Au(111)-Oberfläche mittels einer selektiven auf der Oberfläche erfolgenden 2D-kovalenten Polymerisationsmethode, welche Kobalt-Katalyse und Coronen-Templatierung kombiniert, um die bisherigen Herausforderungen bei der Erzielung großer, defektfreier Domänen zu überwinden.

Chen-Hui Shu, Yi Zheng, Tao Lin, Li-Xia Kang, Zhang Qu, Zhi-Yu Wang, Ying Wang, Zheng-Yang Huang, Qian Liu, Hang Xu, Chong Chen, Yangfan Wu, Longteng Xiao, Mengxi Liu, Xiaohui Qiu, Pei-Nian Liu, Deng- (…)2026-06-02🔬 cond-mat.mtrl-sci

Impact of Disorder Dynamics and Multi-Domain Kinetics on the Sliding Ferroelectricity of CVD-Grown 3R-WSe2 Bilayers

Diese Studie nutzt einen Graphen-basierten Feldeffekttransistor, um zu demonstrieren, dass wachstumsinduzierte strukturelle Unordnung und Multi-Domain-Kinetik das Polarisationsumschaltverhalten von CVD-gewachsenen 3R-gestapelten WSe2-Bilagen entscheidend steuern, was wichtige Erkenntnisse für die Optimierung von Van-der-Waals-Ferroelektrika-Bauelementen liefert.

Sourav Paul, Prasenjit Ghosh, Krishna Prasad Maity, Vineet Pandey, Abhijith M. B., Premananda Chatterjee, Kenji Watanabe, Takashi Taniguchi, Nicholas R. Glavin, Ajit K. Roy, Atindra Nath Pal, Vidya Ko (…)2026-06-02🔬 cond-mat.mtrl-sci

Topological Edge States from Molecular Chirality: A General Framework for Dimerized Dipolar Arrays

Diese Arbeit etabliert einen allgemeinen theoretischen Rahmen, der zeigt, dass molekulare Chiralität in dimerisierten Dipol-Anordnungen abstimmbare topologische Randzustände mit einzigartiger stereochemischer Kennzeichnung induziert und somit eine kontrollierbare Plattform für quasi-eindimensionelle topologische Quantenmaterie bietet.

Muhammad Arsalan Ali Akbar, Mohsin Raza, Sabre Kais2026-06-02🔬 physics.app-ph

Property Prediction of Stacked Bilayer Materials: A Multimodal Learning Approach

Dieses Papier schlägt einen neuartigen multimodalen Lernansatz vor, um die Grenzflächen von gestapelten Bilagen-2D-Materialien zu modellieren und deren emergente Eigenschaften vorherzusagen, wobei eine Lücke in der KI-gestützten Materialentdeckung geschlossen wird, indem eine überlegene Effektivität und Effizienz im Vergleich zu Baseline-Methoden nachgewiesen wird.

An Vuong, Minh-Hao Van, Chen Zhao, Xintao Wu2026-06-02🔬 cond-mat.mtrl-sci

How Can Machine Learning Accelerate CALPHAD Free Energy Modeling?

Diese Arbeit zeigt auf, dass ein hybrider maschineller Lernansatz, der physikalisch informierte elementare Deskriptoren in das Redlich-Kister-Framework einbettet, die Datenlimitierungen der traditionellen CALPHAD-Modellierung effektiv überwindet, um eine robuste Zero-Shot-Vorhersage thermodynamischer Interaktionsparameter für unbekannte oder datenarme Legierungssysteme zu ermöglichen.

Chen Shen, Muhammad Waqas Qureshi, Mark Asta, Izabela Szlufarska, Dane Morgan2026-06-02🔬 cond-mat.mtrl-sci