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.
Diese Arbeit identifiziert das quanten-geometrische Dipolmoment als entscheidenden topologischen Mechanismus, der durch die Vergrößerung des Partikel-Loch-Abstands die energetische Stabilität von Flavor-Ferromagnetismus in flachen Bändern von Moiré-Materialien erhöht.
Die Studie zeigt, dass in nichtgleichgewichtigen Supraleitern während des Abkühlungsprozesses nach einer Laseranregung ein faszinierendes Phänomen des „Supercurrent Growth" auftritt, bei dem der Suprastrom durch Streuung von Bogoliubov-Quasiteilchen an Verunreinigungen und Phononen mit der wiederhergestellten Supraleiterdichte anwächst, was zu experimentellen Manifestationen wie dem ultraschnellen Meissner-Effekt und einem optischen Reflexionsvermögen von über 100 % führt.
Die Studie zeigt, dass Inversionssymmetrie-brechende Antiferromagnete mit ungeradem Paritäts-Spinmuster aufgrund von Symmetriebedingungen, die nicht-relativistische Lifshitz-Invarianten oder Van-Hove-Sattelpunkte begünstigen, eine starke Tendenz zu inkommensurablen Ordnungen aufweisen, was oft zu Phasenübergängen erster Ordnung oder vorgeschalteten inkommensurablen Phasen führt.
Diese Studie kombiniert erste-Prinzipien-Rechnungen mit experimentellen Beobachtungen, um stabile Oberflächenrekonstruktionen von -GaO(001), insbesondere eine neuartige 12-Struktur, zu identifizieren und deren Einfluss auf die epitaktische Abscheidung sowie Indium-Einbau zu verstehen.
Diese Arbeit stellt ein allgemeines, interpolationsbasiertes Framework vor, das es ermöglicht, die Dispersionsrelationen und evaneszenten Modi in nichtlokalen Gittern durch gezielte Vorgabe von Frequenz-Wellenzahl-Punkten zu maßschneidern, wobei ausschließlich positive Steifigkeitsparameter und passive mechanische Eigenschaften gewährleistet werden.
Die Studie zeigt, dass ein auf geometrischen Graphen basierender Reinforcement-Learning-Agent die globale Optimierung der Elementanordnung in bimetalischen Nanopartikeln erfolgreich bewältigt, indem er bekannte Grundzustände wiederfindet und auf untrainierte Größen verallgemeinert, wobei die Leistung bei mehreren Legierungselementen jedoch eingeschränkt bleibt.
Die vorgestellte Studie entwickelt einen hybriden Ansatz, der ein CNN-basiertes autoencoder-Verfahren zur komprimierenden Merkmalsextraktion mit Graph-Neural-Networks kombiniert, um die Skalierbarkeit, Recheneffizienz und Genauigkeit von Kinetic-Monte-Carlo-Simulationen für das Kornwachstum im Vergleich zu reinen GNN-Methoden erheblich zu verbessern.
Diese Übersichtsarbeit beleuchtet die raschen Fortschritte bei der Synthese, Charakterisierung und Erforschung der elektronischen und magnetischen Eigenschaften von zusammengesetzt komplexen Perowskit-Oxiden, die durch extreme chemische Unordnung neue physikalische Phänomene ermöglichen und damit ein neues Paradigma in der Quantenmaterialforschung darstellen.
Diese Studie zeigt, dass hydrothermal auf Nickel-Schaum aufgebrachte ZnO/ZnS-Heterostrukturen als Lochreservoir fungieren und dadurch die pseudokapazitive Energiespeicherleistung im Vergleich zu Graphenpapier signifikant steigern.
Die vorgestellte Arbeit demonstriert, dass die Integration analytischer Approximate-Bayesian-Last-Layer-Neural-Networks (LL-BNNs) mit unsicherheitsgesteuerter Probenauswahl die Vorhersage von photonischen Bandlücken beschleunigt und dabei den benötigten Trainingsdatensatz im Vergleich zu einer zufälligen Stichprobenziehung um das 2,6-Fache reduziert.