4265 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 trabajo demuestra que la irradiación con luz circularmente polarizada permite generar altermagnetismo robusto y sintonizable en bicapas antiferromagnéticas tipo A con inversión simétrica, superando las estrictas restricciones de apilamiento requeridas en propuestas anteriores y estableciendo la luz como un mecanismo de control versátil para diseñar nuevos estados altermagnéticos.
El artículo presenta MAD-SURF, un potencial interatómico basado en aprendizaje automático diseñado para simular con alta precisión y eficiencia computacional la adsorción molecular en superficies de metales nobles, superando las limitaciones de costo de los métodos de primeros principios.
Mediante diagonalización numérica, este estudio demuestra que en el antiferromagneto de Heisenberg con espín S=2 en una red de dímeros ortogonales, la región intermedia entre las fases de dímero exacto y ordenada de Néel se ensancha gradualmente a medida que aumenta el espín.
Este estudio presenta una caracterización multimetodológica de la formación de litio en una celda de polímero comercial de 26 Ah, evaluando y clasificando diversas técnicas electroquímicas, microscópicas y espectroscópicas en un estudio colaborativo para determinar sus capacidades de detección, ventajas y limitaciones.
El artículo demuestra que los modelos de aprendizaje automático para el descubrimiento de materiales a menudo logran un alto rendimiento en benchmarks no porque hayan aprendido química, sino porque aprovechan correlaciones espurias con metadatos bibliográficos como autores y años de publicación, lo que subraya la necesidad de implementar pruebas de falsificación rigurosas para distinguir entre utilidad predictiva y comprensión química real.
Este estudio predice mediante un marco mejorado de Monte Carlo *ab initio* que la terminación superficial y el entorno de coordinación son determinantes críticos en las transiciones de orden-desorden y la segregación atómica en MXenes multicomponente de doble metal de transición.
Mediante espectroscopía de fonones coherentes y difracción de rayos X, este estudio demuestra que las correlaciones de onda de densidad de carga en el superconductor kagome CsVSb dopado con Sn persisten como orden estático de corto alcance hasta la temperatura ambiente, revelando el papel crucial del desorden en la estabilización de estos estados más allá de los límites de fase convencionales.
Este estudio presenta una teoría de campo medio extendida para el modelo de Hubbard 2D en gases de electrones diluidos degenerados que explica la forma de cúpula de la temperatura crítica superconductora en el titanato de estroncio, revelando la competencia entre fluctuaciones, ondas de densidad de carga y superconductividad, así como mecanismos para distinguir entre interacciones electrón-electrón y electrón-fonón.
Este trabajo demuestra que el aprendizaje por transferencia desacoplado, que separa los extractores de características de redes neuronales gráficas preentrenados de regresores simples, supera las limitaciones de extrapolación de los modelos tradicionales y reduce significativamente el error en la predicción de propiedades de materiales, permitiendo así el descubrimiento de materiales novedosos fuera de la distribución de entrenamiento.
Este trabajo propone un marco de aprendizaje profundo basado en redes neuronales gráficas recurrentes latentes multiscale que permite predicciones espaciotemporales estables y precisas a largo plazo de campos térmicos en geometrías complejas, superando las limitaciones computacionales de las simulaciones de alta fidelidad.