3501 articles
La science des matériaux explore comment la matière se comporte et comment nous pouvons la transformer pour créer de nouvelles technologies. Dans cette catégorie, vous découvrirez des recherches qui vont des alliages plus résistants aux matériaux pour l'énergie propre, en passant par les nanotechnologies qui changent notre quotidien. C'est un domaine où la théorie rencontre l'expérience pour façonner le futur de nos objets et infrastructures.
Sur Gist.Science, nous traitons systématiquement chaque nouveau prépublication soumise sur arXiv dans ce secteur. Notre équipe analyse ces travaux complexes pour vous offrir à la fois un résumé technique précis et une explication claire en langage simple, rendant ainsi la recherche de pointe accessible à tous, qu'il s'agisse d'étudiants ou de passionnés.
Découvrez ci-dessous la sélection la plus récente de ces avancées, où chaque article est présenté avec sa version simplifiée et ses détails essentiels pour mieux comprendre les innovations qui émergent aujourd'hui.
Cet article présente une plateforme agnostique aux matériaux permettant de caractériser les interactions spin-phonon à l'échelle du millikelvin en utilisant des résonateurs acoustiques à ondes de volume à surharmoniques élevées (HBAR) couplés à divers cristaux, offrant ainsi un outil clé pour le développement de systèmes quantiques hybrides.
Cette étude démontre que la substitution par du manganèse dans les cristaux uniques de trigonal induit une transition d'un état ferrimagnétique à un état ferromagnétique, augmentant simultanément la température d'ordre magnétique et le moment magnétique de saturation.
En combinant la microscopie électronique avancée, la spectroscopie et des calculs théoriques, cette étude révèle que la croissance anisotrope unidimensionnelle du dioxyde de titane de type lépidocrocite est induite par l'incorporation d'impuretés légères comme le carbone lors de la synthèse, offrant ainsi de nouvelles perspectives sur la structure et la chimie de ces matériaux bidimensionnels et unidimensionnels.
L'insertion de ruthénium dans le MnP induit une expansion anisotroque du réseau qui stabilise l'ordre magnétique hélicoïdal en élevant considérablement sa température d'ordre, un phénomène universel contrôlé par le paramètre de l'axe b et confirmé par des calculs de premiers principes.
En utilisant un recuit quantique sur un processeur D-Wave Advantage2, cette étude démontre que les fluctuations quantiques suppriment universellement environ 55 % de la fenêtre de stabilité ferromagnétique dans les aimants Ising frustrés de la famille et BaCoVO, révélant une transition de régime distincte entre les géométries quasi-unidimensionnelles et bidimensionnelles.
Cette étude présente une stratégie de spin-coating automatisée par épitaxie en phase liquide couche par couche (LbL-LPE) permettant la fabrication reproductible de films minces de MOF hautement orientés, essentiels pour des applications dépendant de l'orientation cristalline.
Cette étude développe un potentiel d'apprentissage machine basé sur un réseau de neurones à graphes équivariant pour l'aluminium, permettant des simulations de solidification et de déformation à l'échelle du million d'atomes avec une précision proche de l'ab initio, révélant ainsi l'impact critique des erreurs d'énergie de faute d'empilement sur la microstructure et le comportement mécanique.
Cette étude propose une méthode de détection rapide et sans marqueur du dopamine, liée à des maladies neurodégénératives, en utilisant des quasi-cristaux bidimensionnels en aluminium activés par plasmon et analysés via la modulation de phase spatiale auto-induite (SSPM), avec une validation par simulations DFT et des comparaisons spectroscopiques.
Cette étude démontre que la formation et la taille des nanopores dans des monocouches de disulfure de molybdène irradiées par des ions dépendent fortement du substrat, révélant le rôle central des voies de dissipation électronique à l'interface dans ce processus.
Cette étude propose une méthode d'apprentissage actif pour affiner des potentiels d'apprentissage machine universels, permettant de localiser efficacement les états de transition dans la catalyse hétérogène avec une précision DFT et un coût computationnel réduit, grâce notamment à l'optimisation de l'algorithme Sella.