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.
Este artículo presenta dos filtros de red de escalera modificados de 19 GHz de extremo único a balanceado, realizados con resonadores BAW de AlScN polarizados periódicamente, que eliminan la necesidad de baluns externos al lograr una baja pérdida de inserción, una alta rejeción fuera de banda y un rendimiento competitivo para aplicaciones de comunicaciones inalámbricas.
Este artículo presenta una versión mejorada del marco de trabajo ComProScanner que integra modelos de visión y lenguaje para extraer automáticamente datos de composición-propiedad a partir de figuras científicas, logrando una alta precisión y rentabilidad al establecer el primer flujo de trabajo multimodal totalmente automatizado para la minería de datos de materiales a partir de texto, tablas e imágenes.
Esta revisión destaca los recientes avances tecnológicos en la fabricación de contactos eléctricos multiterminal de alta calidad, definidos litográficamente, sobre monocristales emergentes, proporcionando una guía práctica para superar los desafíos planteados por sus geometrías irregulares y características estructurales para realizar mediciones de transporte fiables.
Este artículo presenta un marco escalable y basado en datos que examina una vasta base de datos de materiales para identificar y clasificar 36 altermagnetos no reportados previamente y 9 ferrimagnetos con compensación de Luttinger, estableciendo una ruta de alto rendimiento para el descubrimiento de antiferromagnetos no convencionales con prometedoras aplicaciones espintrónicas.
Este artículo informa la síntesis exitosa de nanohojas de fluorografidino de una sola capa de hasta 60×60 nm² sobre una superficie de Au(111) mediante un método de polimerización covalente 2D selectiva sobre la superficie que combina la catálisis de cobalto y el templado de coroneno para superar los desafíos previos en la obtención de dominios grandes y libres de defectos.
Este estudio utiliza un transistor de efecto de campo basado en grafeno para demostrar que el desorden estructural inducido por el crecimiento y la cinética de dominios múltiples gobiernan críticamente el comportamiento de conmutación de polarización de las bicapas de WSe2 con apilamiento 3R crecidas por CVD, ofreciendo conocimientos clave para la optimización de dispositivos ferroeléctricos de van der Waals.
Este artículo presenta TMCgen, un modelo de difusión de variedades que genera de manera eficiente y precisa las geometrías tridimensionales de diversos complejos de metales de transición al centrarse en grados de libertad clave, tales como los ángulos de coordinación y las torsiones de los ligandos.
Este artículo establece un marco teórico general que demuestra que la quiralidad molecular en arreglos dipolares dimerizados induce estados de borde topológicos sintonizables con un etiquetado estereoquímico único, ofreciendo una plataforma controlable para la materia cuántica topológica cuasi-unidimensional.
Este artículo propone un nuevo enfoque de aprendizaje multimodal para modelar las interfaces de materiales 2D de bicapa apilados y predecir sus propiedades emergentes, abordando una brecha en el descubrimiento de materiales impulsado por IA al demostrar una efectividad y eficiencia superiores en comparación con los métodos de referencia.
Este artículo demuestra que un enfoque híbrido de aprendizaje automático, que integra descriptores elementales físicamente informados en el marco de Redlich-Kister, supera eficazmente las limitaciones de datos del modelado tradicional de CALPHAD para permitir la predicción robusta y de aprendizaje cero (zero-shot) de parámetros de interacción termodinámica para sistemas de aleaciones desconocidos o con escasez de datos.