4265 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 demonstriert einen effizienten Spin-Hall-Oszillator auf Basis von Ga:YIG mit senkrechter magnetischer Anisotropie, der durch einen positiven nichtlinearen Frequenzverschiebungseffekt eine stromgesteuerte Frequenz und eine resonante Spinwellenemission über Distanzen von mehr als 10 µm ermöglicht, was ihn zu einem vielversprechenden Baustein für neuromorphes Rechnen macht.
Das Paper stellt MolCrystalFlow vor, ein generatives Flow-Matching-Modell, das die Vorhersage molekularer Kristallstrukturen ermöglicht, indem es intramolekulare Komplexität von intermolekularer Packung trennt und geometrische Symmetrien durch die Darstellung von Zentroiden und Orientierungen auf Riemannschen Mannigfaltigkeiten berücksichtigt.
Die Studie stellt eine erste-prinzipien-Methode zur Konstruktion des Newns-Anderson-Hamiltonoperators für chemisorbierten Wasserstoff auf Al-, Cu- und Pt-Oberflächen vor, die durch Projektionsoperatoren-Diabatisierung Kohn-Sham-DFT-Daten nutzt und zeigt, dass die weitbandige Näherung nur für Al(111), nicht jedoch für Cu(111) und Pt(111) gültig ist.
Der Artikel plädiert für die Integration von KI-gesteuerten Workflows, Hochdurchsatzexperimenten und autonomen Selbstfahrlaboren, um durch einen datengetriebenen Kreislauf die Entdeckung neuer Katalysatoren und die Optimierung chemischer Reaktionsprozesse zu beschleunigen.
Diese Studie demonstriert, wie ein aktives Lernframework auf Basis von Gauß-Prozessen die Reproduzierbarkeit und das physikalische Verständnis des Pulsed-Laser-Abscheidungsprozesses für korrelierte Oxide wie LaVO₃ verbessert, indem es durch datengesteuerte Optimierung defektarme, phasenreine Filme mit idealen Gitterparametern identifiziert.
Die Studie demonstriert, dass an einer Gold-MoTe2-Grenzfläche durch lokale Feld-induzierte Symmetriebrechung ein elektrisch steuerbarer zirkularer Photostrom entsteht, der auf einem spin- und valley-abhängigen Mechanismus basiert und neue Wege für spannungsregelbare optoelektronische Bauelemente eröffnet.
Der Artikel stellt den MSS-Algorithmus vor, der zur effizienten Generierung von Mehrkugelpartikeln für DEM-Simulationen komplexer Formen dient und dabei im Vergleich zu bestehenden Methoden bei gleicher Kugelanzahl eine präzisere Formapproximation bei geringeren Rechenkosten erreicht.
Diese Arbeit stellt eine Ginzburg-Landau-Theorie vor, die zeigt, dass die elektrostrikative Kopplung zwischen Polarisation und elastischer Verschiebung in kubischem BaTiO₃ nahe dem ferroelektrischen Übergang sowohl einen zentralen Peak als auch akustische Anomalien in den elastischen Moduli verursacht.
Die Arbeit schlägt eine neue, auf der Differentialgeometrie basierende Klassifizierung magnetischer Texturen vor, die durch die Einführung der geodätischen und der Torsions-Skalar-Spin-Chiralität unvollständige konventionelle Ansätze überwindet und zeigt, wie die geodätische Chiralität ohne Spin-Bahn-Kopplung neue nichtreziproke Quantenphänomene hervorruft.
Das Paper stellt Spectra-Scope vor, ein Open-Source-AutoML-Framework in Python, das die automatisierte und interpretierbare Charakterisierung von Materialeigenschaften aus Spektraldaten durch interpretierbare maschinelle Lernmodelle ermöglicht.