2792 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.
El estudio presenta un marco teórico y experimental que demuestra que el ensanchamiento interfacial a nivel atómico en superredes de SiGe/Si induce estados de energía localizados, los cuales generan nuevas transiciones ópticas entre 2 y 2.5 eV y permiten caracterizar no destructivamente la calidad de la interfaz.
Este artículo presenta un nuevo marco para el análisis de sensibilidad global de salidas dependientes del tiempo en el modelo Doyle-Fuller-Newman, permitiendo identificar parámetros poco sensibles en simulaciones de ciclos de conducción y evaluar el error del modelo al fijar dichos parámetros a valores arbitrarios.
Este estudio utiliza un marco de optimización bayesiana multiobjetivo con un modelo sustituto de conjunto y una estrategia de muestreo eficiente para diseñar aleaciones de alta entropía que superen el compromiso tradicional entre dureza mecánica y propiedades magnéticas blandas, identificando composiciones óptimas para la próxima generación de materiales.
Este estudio evalúa la precisión de cinco potenciales interatómicos aprendidos por máquina fundamentales (MACE-MP-0, Orb-v3, SevenNet, CHGNet y M3GNet) para predecir barreras de migración iónica y geometrías en materiales de baterías, destacando que modelos como MACE-MP-0 y Orb-v3 ofrecen errores mínimos y una clasificación efectiva de conductores iónicos, aunque la precisión en la energía no se correlaciona necesariamente con la exactitud geométrica.
Este estudio utiliza un potencial de aprendizaje automático para demostrar que la tensión compresiva uniaxial induce un cambio crítico de polarización de 90° en BaTiO3 a unos 120 MPa, reduciendo la energía de activación para la formación de paredes de dominio y modificando el comportamiento de histéresis, lo que ofrece perspectivas atómicas para el diseño de dispositivos ferroeléctricos controlados por tensión.
Este estudio demuestra que el control de la estequiometría del azufre y la cinética de crecimiento mediante epitaxia de haces moleculares permite ingeniería de defectos en películas de MoS sobre silicio, optimizando la actividad catalítica para la evolución de hidrógeno al equilibrar la cristalinidad con la densidad de sitios activos y la conductividad eléctrica.
Este artículo presenta un modelo de aprendizaje automático basado en redes neuronales convolucionales que, entrenado con datos micromagnéticos simulados, permite estimar de manera robusta y precisa la fuerza de la interacción Dzyaloshinskii-Moriya interfacial a partir de texturas de dominios magnéticos, superando las limitaciones de los métodos experimentales tradicionales.
Este estudio de primeros principios investiga las propiedades estructurales, electrónicas y de gradiente de campo eléctrico (EFG) de la serie de titanatos Ruddlesden-Popper NaRTiO, revelando una evolución dependiente del radio iónico entre regímenes dominados por inclinaciones y distorsiones, y estableciendo firmas de EFG específicas para distinguir experimentalmente entre las simetrías de estado base disputadas mediante técnicas como NMR y PAC.
Este trabajo presenta \texttt{SingingMaterials}, una herramienta modular en Python que aplica técnicas de sonificación a datos de espectros fonónicos para explorar y distinguir propiedades de materiales mediante representaciones auditivas, validando su eficacia a través de un estudio con usuarios.
Este trabajo demuestra que el crecimiento heteroepitaxial de un dieléctrico cristalino de -AlO entre capas de TiN mediante deposición por láser pulsado permite medir por primera vez una pérdida intrínseca extremadamente baja en este material, estableciendo así una plataforma prometedora para circuitos cuánticos superconductores de bajo ruido.