🔬 Category

cond-mat.mtrl-sci

4941 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.

🔬 Materialwissenschaft

Strain-Induced Metal-to-Insulator Transition in Antiferromagnetic SrCrO3_3 Thin Films

Diese Studie demonstriert das erfolgreiche Wachstum hochwertiger antiferromagnetischer SrCrO3_3-Dünnschichten und zeigt auf, dass das Material unter geringer Dehnung einen metallischen Grundzustand beibehält, während die Erhöhung sowohl der Zug- als auch der Druckdehnung einen durch dehnungsabhängige strukturelle Verzerrungen getriebenen Metall-Isolator-Übergang induziert, wobei die magnetische Übergangstemperatur gleichzeitig konstant bleibt.

S. Jöhr (University of Zurich, Zurich, Switzerland), A. Carta (Materials Theory, ETH Zurich, Switzerland, Paul Scherrer (…)2026-09-18
🔬 Materialwissenschaft

Truncated automatic sparse differentiation for machine learning interatomic potentials

Diese Arbeit schlägt eine trunkierte automatische spärliche Differenzierung vor, um höhere Ableitungen für maschinelle Lern-Interatompotenziale effizient zu berechnen, indem die physikalische Lokalität ausgenutzt wird, um vernachlässigbare langreichweitige Wechselwirkungen zu verwerfen, wodurch Größenordnungen an Beschleunigung bei minimalem Einfluss auf die vorhergesagten Observablen erreicht werden.

Marcel F. Langer, Adrian Hill, Michele Ceriotti2026-09-18
🔬 Materialwissenschaft

Multiconfigurational Analysis of Local Electronic Structure of RuO2\mathrm{RuO_2} Using Relativistic Embedded Clusters

Diese Studie verwendet multikonfigurationsbedingte relativistische eingebettete Cluster-Berechnungen, um zu zeigen, dass die Unterdrückung des Altermagnetismus in Bulk-RuO2\mathrm{RuO_2} aus der Erhaltung der 4d4d-Orbital-Quasidegeneratheit unter nahezu tetragonaler Symmetrie resultiert, was die für die Spin-Aufspaltung erforderliche lokale quadrupolare Ordnung verhindert.

Zhosan I. A., Lomachuk Yu. V., Maltsev D. A., Moiseev I. A., Andreev O. Yu2026-09-18
🔬 Materialwissenschaft

Spin-Lattice Dynamics and Interactions in Magnonic Spinels

Diese Arbeit zeigt, dass die ortsspezifische Al/Li-Ordnung in Spinell-Ferriten einen ferrimagnetischen isolierenden Zustand mit einer Unterdrückung der Zustandsdichte am Fermi-Niveau erzeugt, während Ab-initio-Berechnungen offenbaren, dass die Überschneidung von niederfrequenten Magnonen- und akustischen Phononenmoden eine starke Hybridisierung antreibt und somit einen mikroskopischen Pfad zur Minimierung der magnetischen Dämpfung für verlustarme magnonische Technologien bietet.

Hari Paudyal, Yuri Suzuki, Michael E. Flatté, Durga Paudyal2026-09-18
🔬 Materialwissenschaft

First-principles theory of phonon renormalization from nonlinear electron-phonon interactions

Diese Arbeit etabliert ein aus dem ersten Prinzip abgeleitetes diagrammatisches Framework, das zeigt, dass nichtlineare Ein-Elektronen-Zwei-Phonon-Wechselwirkungen, im Gegensatz zu linearen Kopplungen, die Phononenfrequenzen über die gesamte Brillouin-Zone mit einer ausgeprägten Temperaturabhängigkeit renormieren, ein Phänomen, das in polaren Halbleitern wie LiF und KTaO3_3 quantifiziert wurde und auf Materialien mit starken Gitterschwankungen anwendbar ist.

Florian Kluibenschedl, Matthew Houtput, Jacques Tempere, Cesare Franchini, Mikhail Lemeshko, Ragheed Alhyder2026-09-18
🔬 Materialwissenschaft

Active Learning Enables Generation of Molecules that Advance the Known Pareto Front

Dieses Paper stellt eine geschlossene Active-Learning-Pipeline vor, die iterativ auf quantenchemischen Simulationsdaten neu trainiert, um die Generalisierungsbeschränkungen statischer Modelle zu überwinden, und generiert erfolgreich synthetisierbare Moleküle mit Eigenschaften, die die ursprüngliche Trainingsverteilung signifikant übertreffen.

Evan R. Antoniuk, Peggy Li, Nathan Keilbart, Stephen Weitzner, Bhavya Kailkhura, Anna M. Hiszpanski2026-09-17
🔬 Materialwissenschaft

BOOM: Benchmarking Out-Of-distribution Molecular Property Predictions of Machine Learning Models

Dieses Paper stellt BOOM vor, den ersten chemisch informierten Open-Source-Benchmark zur systematischen Evaluierung der Out-of-Distribution (OOD)-Generalisierung in der molekularen Eigenschaftsvorhersage, wobei aufgezeigt wird, dass aktuelle maschinelle Lernmodelle Schwierigkeiten haben, über ihre Trainingsdaten hinaus zu extrapolieren, und die Notwendigkeit neuer Ansätze hervorgehoben wird, um eine robuste OOD-Leistung zu erreichen.

Evan R. Antoniuk, Shehtab Zaman, Tal Ben-Nun, Peggy Li, James Diffenderfer, Busra Sahin, Obadiah Smolenski, Everett Gret (…)2026-09-17
🔬 Materialwissenschaft

Learning Magnetic Order Classification from Large-Scale Materials Databases

Diese Arbeit stellt Machine-Learning-Klassifikatoren vor, die auf experimentell validierten MAGNDATA-Daten trainiert wurden und eine Genauigkeit von über 92 % bei der Identifizierung magnetischer Grundzustände erreichen, wodurch der systematische ferromagnetische Bias in groß angelegten Materials Project-Datenbanken effektiv korrigiert und ein zuverlässigeres Hochdurchsatz-Screening magnetischer Materialien ermöglicht wird.

Ahmed E. Fahmy2026-09-17
🔬 Materialwissenschaft

ADAPT: Lightweight, Long-Range Machine Learning Force Fields Without Graphs

Das Papier stellt ADAPT vor, ein leichtgewichtiges, graphfreies maschinelles Lernkraftfeld, das eine Transformer-basierte Architektur nutzt, um alle paarweisen atomaren Wechselwirkungen explizit zu modellieren und dabei signifikant geringere Vorhersagefehler sowie geringere Rechenkosten als aktuelle Graph-neuronale Netze für die Simulation von Silizium-Punktdefekten erreicht.

Evan Dramko, Yihuang Xiong, Yizhi Zhu, Geoffroy Hautier, Thomas Reps, Christopher Jermaine, Anastasios Kyrillidis2026-09-17
🔬 Materialwissenschaft

Bismuth-substituted Lutetium Iron Garnet Films with Giant Visible-Range Magneto-Optical Sensitivity

Diese Studie berichtet über die gepulste Laserabscheidung und Charakterisierung von Wismut-substituierten Lutetium-Eisen-Granat-Filmen (LuBiIG), die im sichtbaren Bereich eine außergewöhnlich hohe Verdet-Konstante von bis zu -1,37 × 10⁸ Grad/Meter/Tesla aufweisen, was sie zu vielversprechenden Materialien für fortschrittliche magnetische Sensorik und hybride Quantenanwendungen macht.

Megan H. Dransfield, Lukáš Flajšman, Matthijs H. J. de Jong, Lars Peeters, Rhodri Mansell, Sebastiaan van Dijken, Laure (…)2026-09-17