🔬 Category

cond-mat.mtrl-sci

4820 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.

🔬 ciencia de materiales

Indirect prediction and screening of frustrated magnetic materials using machine learning

Este artículo presenta un flujo de trabajo de aprendizaje automático utilizando CatBoost para predecir indirectamente el índice de frustración magnética mediante la estimación independiente de las temperaturas de Curie-Weiss y de Néel, logrando cribar más de 67.000 compuestos para identificar 20 candidatos magnéticos frustrados de alta confianza, incluyendo sistemas de óxidos novedosos.

Regina Burganova, Irina Piyanzina, Ruslan Akhmerov, Alexander Sigov, Maxim Fedorov2026-10-14
🔬 ciencia de materiales

Hidden Spin-Valley Hall Effect and Gate-Switchable Electric Hall Effect in 2D Altermagnets

Este artículo demuestra que los altermagnetos 2D con acoplamiento espín-valle-capa exhiben un efecto Hall de valle-espín oculto que puede revelarse en una señal Hall eléctrica conmutable por puerta mediante un campo externo, ofreciendo una nueva ruta basada en la simetría para el control de valle-espín y la magneto-óptica mediante medios eléctricos.

Jiajun Lu, Mu Tian, Chaoxi Cui, Zhi-Ming Yu, Yugui Yao, Run-Wu Zhang2026-10-14
🔬 ciencia de materiales

Pressure-Driven Evolution of the Physical Properties of Layered Y2GaB and Y2InB MAB Phases: A Comparative First-Principles Study

Este estudio de primeros principios compara las propiedades estructurales, elásticas, electrónicas y vibracionales dependientes de la presión de las fases MAB de Y2GaB e Y2InB estratificadas hasta 20 GPa, revelando que el Y2GaB permanece mecánicamente estable con un rendimiento térmico y elástico mejorado bajo compresión, mientras que el Y2InB es inestable más allá de la presión ambiente, aclarando así el papel crítico de la sustitución en el sitio M al gobernar su evolución impulsada por la presión.

M. Rabi Us Sani Shapon, Md. Asif Afzal, Jubair Hossan Abir, Raihana Shams Islam, Saleh Hasan Naqib2026-10-14
🔬 ciencia de materiales

Pressure-transferable universal machine-learning potentials: the WBM-MatPES benchmark and Tuga-FF

Este artículo presenta el conjunto de datos de referencia WBM-MatPES para evaluar sistemáticamente los potenciales de aprendizaje automático bajo alta presión y presenta Tuga-FF, un modelo de transformador de grafos que supera significativamente a los métodos existentes al mantener una alta precisión en condiciones de presión ambiente y extremas hasta 150 GPa.

Pierre-Paul De Breuck, Thalis H. B. da Silva, Antoine Loew, Silvana Botti, Miguel A. L. Marques2026-10-14
🔬 ciencia de materiales

Selective faceting induced by Hexagonal Boron Nitride on curved Platinum substrate

Este estudio combina la caracterización experimental y los cálculos de primeros principios para demostrar que el crecimiento de nitruro de boro hexagonal sobre un sustrato de platino curvo induce un facetado selectivo hacia planos cristalinos específicos mediante la alteración de la estabilidad relativa de las facetas superficiales a través de la variación en las fuerzas de interacción entre la capa superior y el sustrato.

Alaa Mohammed Idris Bakhit, Muhammad Saad Mahmood, Khadiza Ali, Anna A. Makarova, Igor Piš, Federica Bondino, Frederik S (…)2026-10-14
🔬 ciencia de materiales

Inverse Designing Reconfigurable Piezoelectric Tensors via Architectural and Modal Programming

Este artículo presenta un marco de diseño inverso basado en grafos que permite la programación arquitectónica y modal de tensores piezoeléctricos reconfigurables, permitiendo que una sola estructura logre una detección y actuación programable y selectiva de frecuencia en múltiples direcciones, reduciendo significativamente el volumen en comparación con los ensamblajes convencionales.

Anish Satpati, Marco Maurizi, Hyunmoon Cho, Victor Couedel, Nicolas Mule, Xiaoyu, Zheng2026-10-14
🔬 ciencia de materiales

Enhancing Quasi-Two-Dimensional Electronic Structure in Bi2O2Se via Chlorine Substitution

Este estudio demuestra que la sustitución de cloro en el Bi2O2Se introduce eficazmente brechas de van der Waals para mejorar su carácter cuasi-bidimensional y permitir una amplia ingeniería de banda prohibida, preservando al mismo tiempo propiedades electrónicas clave como la alta movilidad electrónica.

Yong-Zhen Jiang, Qi-Xun Wen, Xiang Xu, Su-Tao Sun, Feng-Fan Ren, Zi-Xuan Zhou, Xing-Yuan You, Yu-Cheng Kan, Zheng Zhang (…)2026-10-14
🔬 ciencia de materiales

Large Out-of-plane Polarization in Two-dimensional Bi2O3 Monolayers Predicted by an AI-driven Inverse-design Workflow

Al integrar un flujo de trabajo de diseño inverso impulsado por IA con potenciales de aprendizaje automático y cálculos de primeros principios, este estudio predice dos monocapas de Bi2O3 2D dinámicamente estables que exhiben polarizaciones fuera del plano excepcionalmente grandes, demostrando que la ruptura de simetría inducida por la dimensionalidad es una estrategia viable para el descubrimiento de óxidos 2D de alta polarización.

Hongmei Tan, Jing Zhang, Shan Gao, Yueyu Zhang, Xiangmei Duan2026-10-14
🔬 ciencia de materiales

Atoms that Matter: Largest Materials Datasets Are 99% Redundant, and Local Chemistry Can Guide the Required 1%

Este estudio demuestra que el entrenamiento de campos de fuerza de aprendizaje automático con menos del 1% del conjunto de datos OMat24, mediante la selección de entornos locales estructural y químicamente distintos, produce una precisión comparable a la de los modelos entrenados con el conjunto completo de 100 millones de estructuras, lo que prueba que la diversidad química, en lugar del mero volumen de datos, es el factor crítico para el modelado de materiales de propósito general.

Evgeny Moerman, Igor Poltavsky, Anton Charkin-Gorbulin, Alexandre Tkatchenko2026-10-14