4291 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 computergestützte Studie bestimmt erstmals die Bindungsenergien häufiger interstellarer Atome an amorphen Silikatstaubpartikeln mittels der GFN1-xTB-Methode und zeigt, dass diese Energien zwar je nach Element variieren, aber ausreichen, um die Stabilität der Staubkörner gegen Sublimation bei typischen interstellaren Temperaturen zu gewährleisten.
Die Studie kommt zu dem Schluss, dass der excitonische Isolator-Mechanismus nicht die Hauptursache für die Ladungsdichtewelle in TiSe ist, obwohl excitonische Fluktuationen in der Nähe der Übergangstemperatur eine Rolle spielen könnten.
Diese Studie liefert eine umfassende experimentelle Untersuchung des Übergangs von neutralen Donatoren zu donatorgebundenen Exzitonen in isotopenreinem Si unter mechanischer Spannung und Magnetfeldern, um donatorspezifische Deformationspotentiale zu bestimmen und damit die Parameter für den Entwurf von Silizium-Quantenbauelementen zu verfeinern.
Diese Arbeit untersucht mittels eines schwankenden Darcy-Modells und einer störungstheoretischen Lösung der Dyson-Gleichung, wie zeitliche und räumliche Porositätsfluktuationen die hydrodynamische Permeabilität von porösen Membranen im Vergleich zu statischen Matrizen signifikant verändern und liefert damit wichtige Erkenntnisse für das Design von Trennmembranen.
Diese Studie demonstriert die effiziente Umwandlung elastischer Wellenmoden an Grenzflächen mit hohem Steifigkeitskontrast durch den Einsatz zweidimensionaler, funktional abgestufter anisotroper Metamaterialien, was sowohl numerisch als auch experimentell im Frequenzbereich von 1–10 kHz validiert wurde.
Diese Studie stellt einen maschinellen Lernansatz für das inverse Design von thermoelastischen Bimetall-Gittermetamaterialien mit negativer Poissonzahl und negativem thermischen Ausdehnungskoeffizienten vor, der auf Hochdurchsatzsimulationen und neuronalen Netzen basiert, um effizient Geometrie- und Materialparameter für gewünschte Zielwerte zu bestimmen.
Die Studie demonstriert hochleistungsfähige, top-gate-gesteuerte MOSFETs auf Basis des ultrabreiten Bandlücken-Halbleiters SrSnO₃ mit exzellenten elektrischen Kennwerten, die ihn als vielversprechende Plattform für Hochleistungs-Leistungselektronik etablieren.
Die Studie untersucht mittels spektroskopischer Methoden langkettige lineare und zyklische Polyine (48 Kohlenstoffatome) und zeigt, dass sich deren elektronische Dynamik und Grundzustandsdelokalisierung im Vergleich zu kurzen Ketten deutlich verändern, wobei sich die Eigenschaften bereits bei dieser Länge dem unendlichen Carbyn-Limit annähern.
Diese Studie stellt einen neuen Rechenrahmen vor, der ab-initio-Methoden mit maschinellem Lernen kombiniert, um die temperaturabhängigen optoelektronischen Eigenschaften anharmonischer fester Lösungen, wie etwa von Silber-Chalkogen-Halogenid-Mischkristallen, präzise vorherzusagen und dabei chemische Unordnung sowie Gitterdynamik zu berücksichtigen.
Die Studie stellt ActiveStructOpt vor, ein aktives Lern-Framework, das Graph-Neuronale-Netzwerke mit effizienten Surrogatmodellen kombiniert, um die atomare Struktur komplexer Materialien aus spektroskopischen Daten mit minimalem Rechenaufwand und höherer Genauigkeit als bestehende Methoden zu bestimmen.