4298 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 Studie zeigt, dass die Bestrahlung mit zirkular polarisiertem Licht in A-Typ-Antiferromagnet-Bilagen (wie MnBiTe) eine robuste und kontinuierlich einstellbare Altermagnetismus-Phase erzeugt, die unabhängig von strengen Stapelbedingungen ist und durch Verschiebungen sowie Lichtrichtung gezielt gesteuert werden kann.
Das Paper stellt MAD-SURF vor, ein auf maschinellem Lernen basierendes Interatompotential, das die Genauigkeit von DFT-Simulationen für die Adsorption organischer Moleküle auf Kupfer-, Silber- und Goldoberflächen bei deutlich höherer Rechengeschwindigkeit erreicht und somit komplexe Oberflächenphänomene effizient modelliert.
Die Studie untersucht mittels numerischer Diagonalisierung die Phasengrenzen des S=2-Heisenberg-Antiferromagneten auf einem orthogonalen Dimer-Gitter und zeigt, dass sich der intermediäre Bereich zwischen der exakten Dimmer- und der Néel-geordneten Phase mit steigendem Spin S bis S=2 allmählich verbreitert.
Diese Studie präsentiert und klassifiziert im Rahmen einer Ringversuchsstudie verschiedene elektrochemische, mikroskopische und spektroskopische Methoden zur zuverlässigen Detektion und Charakterisierung von Lithium-Abscheidung auf der Anode einer kommerziellen 26-Ah-Lithium-Ionen-Pouch-Zelle.
Die Studie zeigt, dass viele KI-Modelle für die Materialentdeckung oft nicht die zugrundeliegende Chemie lernen, sondern stattdessen bibliografische Verzerrungen wie Autoren oder Publikationsjahre ausnutzen, was die Notwendigkeit strengerer Validierungsmethoden unterstreicht.
Diese Studie nutzt ein verbessertes ab-initio-Monte-Carlo-Framework, um vorherzusagen, wie Oberflächenabschlüsse und Koordinationsumgebungen in multikomponentigen MXenen, insbesondere bei (TiMo)-basierten Verbindungen, chemische Ordnungs-Übergänge und die Segregation von Metallatomen steuern.
Diese Studie zeigt mittels kohärenter Phononenspektroskopie, dass in Sn-dotiertem CsV₃Sb₅ kurzreichweitige Ladungsdichtewellen-Korrelationen bis Raumtemperatur bestehen bleiben, was auf das Einpinning dieser Ordnung durch eingeführte Unordnung zurückgeführt wird.
Die Studie erweitert die Mean-Field-Theorie für das 2D-Hubbard-Modell in strontiumtitanatbasierten verdünnten Elektronengasen, um den domenförmigen Verlauf der Sprungtemperatur, das Zusammenspiel von s- und d-Wellen-Supraleitung sowie konkurrierende Ordnungen wie Ladungsdichtewellen zu erklären und so Kriterien zur Unterscheidung elektronischer von elektron-phononischen Mechanismen für die Hochtemperatursupraleitung zu liefern.
Diese Arbeit zeigt, dass ein entkoppeltes Transfer-Learning-Framework, das vortrainierte Graph-Neural-Networks von einfachen Regressoren trennt, die katastrophale Extrapolationsfähigkeit von herkömmlichen End-to-End-Modellen überwindet und so die Vorhersage neuer Materialien durch signifikante Fehlerreduktion und klare Designprinzipien für den chemischen Raum ermöglicht.
Die Autoren stellen ein stabiles Deep-Learning-Framework vor, das auf latenten rekurrenten Graph-Neural-Networks und einer multiskaligen Architektur basiert, um langfristige spatiotemporale Temperaturverläufe auf komplexen Gittern für Anwendungen wie die additive Fertigung präzise vorherzusagen und dabei über Tausende von Zeitschritten hinweg generalisierbar bleibt.