4890 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 estudio emplea cálculos de clúster embebido relativistas multiconfiguracionales para demostrar que la supresión del altermagnetismo en el de volumen surge de la preservación de la cuasidegeneración de los orbitales bajo simetría casi tetragonal, lo cual inhibe el orden cuadrupolar local requerido para el desdoblamiento de espín.
Este artículo demuestra que el ordenamiento de Al/Li específico de sitio en ferritas de espinela crea un estado ferrimagnético aislante con la extinción de la densidad de estados del nivel de Fermi, mientras que los cálculos *ab initio* revelan que la intersección de los modos de magnones de baja frecuencia y los modos de fonones acústicos impulsa una fuerte hibridación, ofreciendo una vía microscópica para minimizar el amortiguamiento magnético para tecnologías magnónicas de baja pérdida.
Este artículo establece un marco diagramático de primeros principios que demuestra que las interacciones no lineales de un electrón y dos fonones, a diferencia de los acoplamientos lineales, renormalizan las frecuencias de los fonones en toda la zona de Brillouin con una dependencia térmica distintiva, un fenómeno cuantificado en semiconductores polares como LiF y KTaO y aplicable a materiales con fuertes fluctuaciones de red.
Este artículo introduce un flujo de trabajo de aprendizaje activo de bucle cerrado que se reentrena iterativamente con datos de simulaciones de química cuántica para superar las limitaciones de generalización de los modelos estáticos, generando con éxito moléculas sintetizables con propiedades que superan significativamente la distribución de entrenamiento original.
Este artículo presenta BOOM, el primer referente de código abierto con información química para evaluar sistemáticamente la generalización fuera de la distribución (OOD) en la predicción de propiedades moleculares, revelando que los modelos actuales de aprendizaje automático tienen dificultades para extrapolar más allá de sus datos de entrenamiento y destacando la necesidad de nuevos enfoques para lograr un rendimiento robusto en OOD.
Este artículo presenta clasificadores de aprendizaje automático entrenados con datos de MAGNDATA validados experimentalmente que alcanzan más del 92% de precisión en la identificación de estados fundamentales magnéticos, corrigiendo eficazmente el sesgo ferromagnético sistemático presente en las bases de datos a gran escala de Materials Project y permitiendo un cribado de alto rendimiento más fiable de materiales magnéticos.
El artículo presenta ADAPT, un campo de fuerza de aprendizaje automático ligero y sin grafos que utiliza una arquitectura basada en Transformers para modelar explícitamente todas las interacciones atómicas por pares, logrando errores de predicción y costos computacionales significativamente menores que las redes neuronales de grafos de vanguardia para la simulación de defectos puntuales en el silicio.
Este estudio informa sobre la deposición por láser pulsado y la caracterización de películas de granate de lutecio e hierro sustituido con bismuto (LuBiIG), las cuales exhiben una constante de Verdet excepcionalmente alta de hasta -1.37 × 10⁸ grados/metro/Tesla en el rango visible, estableciéndolas como materiales prometedores para la detección magnética avanzada y aplicaciones cuánticas híbridas.
Esta tesis presenta un marco de IA unificado que aprovecha el aprendizaje de representaciones de grafos, el preentrenamiento multimodal y el modelado generativo guiado por texto para predecir eficientemente las propiedades de los cristales y generar materiales estables y controlables, acelerando así el descubrimiento al tiempo que reduce la dependencia de métodos computacionales costosos y grandes conjuntos de datos etiquetados.
Al utilizar heteroestructuras de RuO2 aleadas con Ti para controlar de forma independiente la deformación epitaxial y la concentración de Ti3+, este estudio demuestra que, si bien la formación de Ti3+ es insuficiente para inducir el efecto Hall anómalo, la deformación epitaxial es el factor dominante que impulsa el fenómeno mediante la reconstrucción de la estructura electrónica itinerante de la RuO2.