3309 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.
Dieses Paper präsentiert ein Framework für das inverse Design anisotroper Kirigami-Strukturen, welches kontrollierte geometrische Frustration und instabilitätsinduzierte Entfaltung nutzt, um programmierbare, stabile und abstimmbare bistabile Formänderungseigenschaften zu erreichen, die durch Simulationen und Experimente validiert wurden.
Diese Arbeit führt ein Lippmann-Schwinger-Framework zur Modellierung der Zwei-Magnonen-Streuung aus schwachen Defektpotentialen ein und zeigt auf, dass die Streuung durch das Überlapp zwischen effektiven Feldstörungen und entarteten Spinwellenzuständen bestimmt wird, wodurch die kristallographische Orientierung mit der magnetischen Linienbreitenverbreiterung in Eisen-Granat-Filmen verknüpft wird.
Diese Arbeit entwickelt ein eingeschränktes Hamiltonian-Framework zur Quantifizierung der Phonon-Magnon-Hybridisierung in CrI und CrBr, wobei eine signifikante Mischung (bis zu 25 % in CrBr) aufgezeigt wird und demonstriert wird, wie der Gesamtdrehimpuls erhalten bleibt, während er zwischen den hybridisierten phononischen und magnonischen Subsystemen aufgeteilt wird.
Dieses Paper bewertet vier Open-Source-Werkzeuge zur Generierung repräsentativer 2D/3D-Pulverpartikelpackungen gegenüber Industriestandards und zeigt auf, dass während Discrete-Element-Method-Codes (DEM) die höchsten Packungsdichten erreichen, sequentielle Drop-and-Roll-Algorithmen eine recheneffiziente Alternative mit akzeptabler Genauigkeit für viele Anwendungen bieten.
Diese Arbeit stellt eine bandvermeidende, besetzungsbeschränkte Dichtefunktionaltheorie-Methode (ba-occ-DFT) vor, die das Null-Bandlücken-Problem in Halbleitern mit schmaler Bandlücke wie Indiumarsenid (InAs) überwindet und dadurch präzise Vorhersagen von atomaren Defektniveaus ermöglicht, obwohl die Standard-DFT daran scheitert, die experimentelle Bandlücke zu reproduzieren.
Dieses Paper stellt ein schnelles, surrogatfreies Bayessches Inversionsverfahren für die Neutronenreflektometrie vor, das exakte Gradienten nutzt, um hocheffiziente Hamiltonian-Monte-Carlo- und Variational-Inference-Methoden zu ermöglichen und damit eine erstklassige Geschwindigkeit bei der Quantifizierung von Unsicherheiten sowie Robustheit für komplexe Proben bietet, ohne dabei an physikalischer Intuition einzubüßen.
Das Papier schlägt das Coordination Polyhedron Graph Network (CPGN) vor, ein mehrskaliges Graph-Neural-Network, das die Ebenen der Atome, Bindungen und Koordinationspolyeder explizit durch bidirektionale Cross-Attention modelliert, um durch das Erfassen fundamentaler Struktureinheiten, die von bestehenden Modellen oft übersehen werden, eine erstklassige Genauigkeit bei der Vorhersage von Kristall-Eigenschaften zu erreichen.
Diese Arbeit präsentiert ein flexibles, skalierbares gitterbasiertes kinetisches Monte-Carlo-Framework zur Simulation des GaN-Molekularstrahlepitaxie-Wachstums, das vordefinierte Aktivierungsenergie-Kataloge mit adaptiven, durch maschinelles Lernen optimierten On-the-fly-Barriere-Evaluierungen integriert, um komplexe Wachstumsphänomene wie Inselbildung, Ostwald-Reifung und temperaturgetriebenes Inselwandern präzise zu modellieren.
Mandala ist ein modulares, E(3)-äquivariantes Graph Neural Network Framework, das die Lücke zwischen maschinellem Lernen und elektronischen Strukturkalkulationen schließt, indem es block-sparse Quantenoperatoren lernt, um direkt elektronische Observablen wie Bandstrukturen und Zustandsdichten vorherzusagen und somit traditionelle maschinelle Lern-Interatompotenziale zu ergänzen.
Dieses Paper führt ein parameterfreies, auf First-Principles basierendes Framework auf Basis nichtperturbativer Green-Kubo-Dynamik ein, das den Ladungstransport in molekularen Halbleitern über diverse Regime hinweg präzise vorhersagt, den vorherrschenden mikroskopischen Mechanismus für DNTT umstößt, indem es die transiente Lokalisierung der korrelierten On-Site-Unordnung zuschreibt, und die Phenacen-Familie als eine vielversprechende Richtung für Materialien mit hoher Mobilität identifiziert.