2692 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.
A través de extensos experimentos criogénicos y modelado teórico, este estudio elucida los mecanismos de conducción en fibras de nanotubos de carbono de alto rendimiento, demostrando que el túnel inducido por fluctuaciones heterogéneas y el transporte dependiente del campo les permiten superar a los metales tradicionales en conductividad última.
El artículo presenta \texttt{MACE-Field}, un potencial interatómico -equivariante que integra un campo eléctrico uniforme en la estructura de MACE para predecir con precisión las propiedades dieléctricas, ferroeléctricas y espectroscópicas de diversos materiales inorgánicos mediante la diferenciación exacta de un funcional de entalpía eléctrica aprendido.
Este estudio revela que los nanotubos de dicalcogenuros de metales de transición de Janus alcanzan la energía mínima y exhiben picos anómalos de frecuencia de fonones ópticos cuando su radio extrínseco coincide con el radio de curvatura intrínseco de la monocapa, un fenómeno impulsado por modos de fonones blandos resultantes de la desviación de la curvatura.
Este estudio utiliza el aprendizaje automático y la predicción de estructuras basada en la difusión para revelar que el difluorofosfato de litio amorfo (), un componente clave de la interfase de electrolito sólido, exhibe una alta conductividad iónica debido al desorden estructural y a la abundancia de defectos intersticiales, lo que sugiere que las fases amorfas de aniones mixtos son las principales vías de iones rápidos en las baterías de ion de litio.
Este artículo propone y valida la "coevolución dato-modelo" como un principio arquitectónico fundamental para las bases de datos de materiales nativas de IA, demostrando a través de un prototipo ternario de Li-P-S que los ciclos endógenos de generación-evaluación-refinamiento pueden descubrir autónomamente fases estables noveles y lograr un modelado predictivo de alta precisión con un costo mínimo de primeros principios.
Este artículo propone una nueva "Ley de Viscosidad Modulada por Restricciones" basada en la premisa de la Actualización Continua del Presente, la cual supera a modelos estándar como VFT y MYEGA al ajustar sistemas formadores de vidrio de ventana amplia mediante la consideración del estrechamiento continuo del acceso configuracional a medida que los líquidos se enfrían.
Este estudio combina la espectroscopía de fotoemisión con resolución de momento y cálculos de DFT+U para caracterizar experimentalmente la estructura de bandas electrónicas del antiferromagneto estratificado CrPS, revelando una brecha de transferencia de carga de ligando a metal y patrones distintivos de hibridación orbital que gobiernan sus propiedades magnéticas y ópticas.
Este artículo presenta una base de datos de síntesis-propiedad de nanocristales alineada y a gran escala, construida mediante la herramienta NanoExtractor mejorada con LLM, la cual permite el diseño inverso generativo de rutas de síntesis de nanocristales viables a través del modelo NanoDesigner, validado exitosamente mediante la confirmación experimental de formulaciones de nanocristales tanto establecidas como novedosas.
El artículo presenta MOF-LLM, un marco novedoso que mejora las capacidades de razonamiento espacial de un modelo de lenguaje Qwen-3 8B mediante el preentrenamiento continuo con conciencia espacial, el ajuste fino supervisado y el aprendizaje por refuerzo para lograr la predicción de estructuras 3D a nivel de bloque de alta eficiencia y estado del arte para Redes Metal-Orgánicas.
MatMind es un modelo fundacional generativo unificado para la ciencia de materiales cristalinos que integra conocimiento de estructura-actividad y retroalimentación informada por la física para superar a las arquitecturas especializadas de nicho tanto en tareas de predicción de propiedades como de generación de cristales.