2756 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.
Durch die Kombination von Machine-Learning-Klassifikatoren mit Metadynamik-Simulationen zeigt diese Studie, dass die Selektion spezifischer Polymorphe in Zn(imidazolat)₂-metallorganischen Gerüsten bereits im Stadium der pränuklearen Cluster bestimmt wird, was die Annahme herausfordert, dass die Polymorphauswahl erst später im Syntheseprozess erfolgt.
Dieser Artikel berichtet über die erste Realisierung einer starken Kopplung zwischen quantisierten Magnonmoden in einer unter 10 Mikrometer großen YIG-Mikroplättchen und Mikrowellenphotonen in einem supraleitenden Resonator, die durch fokussierte Ionenstrahl-Fertigung erreicht wurde und effiziente On-Chip-Studien bei extrem niedrigen Eingangsleistungen ermöglicht.
NIMS-OS ist eine Open-Source-Python-Bibliothek und GUI-Anwendung, die eine vollständig automatisierte, geschlossene Materialforschung ermöglicht, indem sie diverse KI-Algorithmen mit robotischen Experimentiersystemen wie NAREE integriert, um autonom neue Materialien wie Elektrolyte zu entdecken.
Diese Bachelorarbeit nutzt Dichtefunktionaltheorie-Rechnungen, um die intrinsischen und magnetischen Eigenschaften von Nd-substituierten ThMn-Typ-Verbindungen mit Zr und Ti zu untersuchen und vielversprechende Nd-arme quaternäre Materialien als potenzielle Alternativen zu seltenen Erdmagneten zu identifizieren.
Dieser Artikel stellt aLLoyM vor, ein feinabgestimmtes großes Sprachmodell, das auf Legierungsphasendiagrammdaten trainiert wurde, die Vorhersagegenauigkeit bei Multiple-Choice-Fragen erheblich verbessert und die neuartige Fähigkeit demonstriert, aus Komponentenbeschreibungen Phasendiagramme zu generieren, wodurch die Entdeckung neuer Werkstoffe beschleunigt wird.
Diese Arbeit stellt eine systematische Untersuchung vor, die neue und verallgemeinerte Grenzbeziehungen zwischen verschiedenen elektronischen Eigenschaften – wie Elektronendichte, effektiver Masse, Orbitalmagnetisierung und Chern-Invarianten – sowohl in metallischen als auch in isolierenden magnetischen Kristallen herleitet, die anhand von Modellsystemen veranschaulicht und mittels optischer Absorptionsspektren analysiert werden.
Diese Studie etabliert Hexa-Graphin (HXGY) als stabiles, transparentes, halbmetallisches 2D-Kohlenstoffallotrop mit einzigartiger mechanischer Weichheit und ausgeprägten optischen Eigenschaften und hebt sein erhebliches Potenzial für nanoelektronische und optoelektronische Anwendungen hervor.
Diese Studie zeigt, dass ultrareine RuO-Einkristalle einen schwach korrelierten 3D-Fermiflüssigkeitszustand mit einer charakteristischen temperaturabhängigen magnetischen Suszeptibilität aufweisen, die durch verstärkte Orbitalbeiträge infolge der Gitterausdehnung getrieben wird, und klärt damit anhaltende Debatten über deren magnetische Natur.
Dieser Beitrag stellt einen umfassenden Benchmark vor, der einen GPU-beschleunigten Finite-Differenzen-Phasenfeld-Code (GPU-PF) und einen CPU-parallelisierten Finite-Elemente-Code mit adaptivem Gitter (PRISMS-PF) zum Simulieren der gerichteten Erstarrung von Al-Cu- und SCN-Kampfer-Legierungen unter experimentell relevanten Bedingungen vergleicht, ihre Genauigkeit bei der Vorhersage dendritischer Morphologie und Spitzen-Dynamik validiert und ihre Rechenleistung bewertet, um integrierte rechnergestützte Werkstoffentwicklungs-Workflows zu unterstützen.
Dieser Beitrag stellt einen physikgestützten Bayesianischen aktiven Lernrahmen vor, der ein Langmuir-Adsorptionsmodell mit einer zweistufigen Parameterschätzstrategie integriert, um Pulsdauern bei der Atomlagenabscheidung autonom und effizient zu optimieren, wodurch im Vergleich zu herkömmlichen datengesteuerten Ansätzen eine schnellere Konvergenz, eine höhere Vorhersagegenauigkeit und ein deutlich reduzierter Vorläuferverbrauch erreicht werden.