2772 artículos
La ciencia de materiales y la física de la materia condensada exploran cómo se comportan las sustancias que nos rodean, desde los metales en nuestros edificios hasta los semiconductores en nuestros teléfonos. Esta disciplina busca entender las reglas que gobiernan la estructura y las propiedades de la materia, permitiendo el desarrollo de tecnologías más eficientes y sostenibles que transforman nuestra vida diaria.
En Gist.Science, procesamos cada nuevo preprint de este campo directamente desde arXiv para hacer que la investigación de vanguardia sea accesible a todos. Ofrecemos tanto resúmenes en lenguaje sencillo como análisis técnicos detallados, asegurando que expertos y curiosos por igual puedan comprender los avances más recientes sin barreras innecesarias.
A continuación encontrarás la selección más reciente de artículos en ciencia de materiales y materia condensada, listos para ser explorados y entendidos.
Este artículo presenta una perspectiva sobre el diseño generativo de materiales inorgánicos, proponiendo un marco unificado que integra modelos de IA fundacional, aprendizaje multimodal y validación experimental de alto rendimiento para abordar el desafío del diseño inverso de materiales funcionales.
Este trabajo presenta la "homogeneización inversa distribucional", una metodología no invasiva que utiliza grandes conjuntos de propiedades mecánicas macroscópicas para inferir estadísticas globales de la microestructura de materiales, superando las dificultades tradicionales de la inversión mediante la combinación de teoría de homogeneización y aprendizaje automático.
Este estudio demuestra mediante simulaciones de dinámica molecular que las aleaciones de alta entropía nanoporosas superan la fragilidad inherente de estos materiales mediante mecanismos de endurecimiento por deformación, logrando una resistencia específica significativamente mayor y una mejor estabilidad térmica en comparación con los materiales nanoporosos de un solo elemento.
El artículo presenta DAO, un marco de preentrenamiento y ajuste fino basado en modelos fundacionales siameses que utiliza un generador y un predictor de energía para predecir estructuras cristalinas con alta precisión y velocidad, superando a los métodos computacionales tradicionales como DFT.
Este estudio presenta un modelo sustituto basado en el Operador de Red Neuronal de Fourier (FNO) que, al integrarse con el método de campo de fase, logra modelar la evolución de microestructuras de crecimiento de grano de manera precisa, rápida e invariante a la resolución, superando las limitaciones computacionales y de generalización de los enfoques tradicionales.
Este estudio presenta superredes de hafnia-zirconia que, al utilizar capas de ZrO₂ como potenciadoras de la polarización remanente, logran valores récord de polarización y alta durabilidad, ofreciendo además una alternativa más sostenible al reducir el uso de hafnio.
Utilizando el formalismo del operador de proyección de Zwanzig, este artículo presenta una teoría estadística unificada que deriva un núcleo espacio-temporal causal para la conducción de calor en medios no uniformes, el cual integra memoria temporal, no localidad espacial y heterogeneidad material, recuperando como límites asintóticos controlados modelos clásicos, no locales e hidrodinámicos, y estableciendo una conexión directa entre la dinámica microscópica y el transporte continuo sin necesidad de cierres empíricos.
Este estudio establece una correlación precisa entre la estequiometría, el orden estructural y el magnetismo en , revelando que la formación de una superred ordenada en maximiza el antiferromagnetismo a 175 K, mientras que la desordenación a mayores concentraciones induce una transición hacia un estado de vidrio de espín.
Este estudio utiliza la espectroscopia fotoelectrónica de rayos X (XPS) para evaluar la eficacia de 17 capas de protección en la prevención de la oxidación del niobio durante procesos de fabricación estándar, identificando así recubrimientos resilientes que mejoran el rendimiento de los resonadores superconductores.
Este trabajo presenta un marco de cribado y clasificación basado en datos y experimentos que integra descriptores analíticos, aprendizaje automático y métricas de sostenibilidad para identificar y priorizar perovskitas de calcogenuro estables y viables como materiales prometedores para celdas solares de próxima generación.