🔬 Category

cond-mat.mtrl-sci

2794 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.

Physics-informed neural network for predicting fatigue life of unirradiated and irradiated austenitic and ferritic/martensitic steels under reactor-relevant conditions

Cette étude propose un cadre de réseaux de neurones informés par la physique (PINN) pour prédire avec précision et interprétabilité la durée de vie en fatigue à faible cycle des aciers austénitiques et ferritiques/martensitiques, irradiés ou non, utilisés dans les réacteurs nucléaires, surpassant les modèles d'apprentissage automatique traditionnels en intégrant des contraintes physiques et en identifiant les mécanismes de dégradation spécifiques à chaque alliage.

Dhiraj S Kori, Abhinav Chandraker, Syed Abdur Rahman, Punit Rathore, Ankur Chauhan2026-03-20🔬 cond-mat.mtrl-sci

DiffCrysGen: A Generative Diffusion Model for Accelerated Design of Inorganic Crystalline Materials

L'article présente DiffCrysGen, un modèle de diffusion génératif entièrement piloté par les données capable de concevoir des structures cristallines inorganiques complètes en un seul processus unifié, accélérant ainsi considérablement la découverte de matériaux fonctionnels stables comme des aimants sans terres rares.

Sourav Mal, Nehad Ahmed, Junaid Jami, Subhankar Mishra, Prasenjit Sen2026-03-20🔬 cond-mat.mtrl-sci

KAN-Enhanced Contrastive Learning Accelerating Crystal Structure Identification from XRD Patterns

Ce papier présente XCCP, un cadre d'apprentissage contrastif guidé par la physique intégrant des réseaux de Kolmogorov-Arnold pour accélérer et automatiser l'identification précise des structures cristallines à partir de motifs de diffraction X, surpassant les méthodes traditionnelles en précision et en adaptabilité.

Chenlei Xu, Tianhao Su, Jie Xiong, Yue Wu, Shuya Dong, Tian Jiang, Mengwei He, Shuai Chen, Tong-Yi Zhang2026-03-20🔬 cond-mat.mtrl-sci

Origin of Bright Quantum Emissions with High Debye-Waller factor in Silicon Nitride

En utilisant la théorie de la fonctionnelle de la densité hybride, cette étude identifie les défauts NSi_\text{Si}VN_\text{N} chargés négativement dans le nitrure de silicium comme l'origine microscopique des émissions quantiques brillantes observées, caractérisées par des facteurs de Debye-Waller élevés et des lignes zéro-phonon polarisées.

Shibu Meher, Manoj Dey, Abhishek Kumar Singh2026-03-20🔬 cond-mat.mtrl-sci

Multimodal Machine Learning for Soft High-k Elastomers under Data Scarcity

Cet article présente un cadre d'apprentissage multimodal basé sur des représentations préentraînées de polymères, appliqué à un jeu de données compilé d'élastomères diélectriques à base d'acrylate, pour surmonter le manque de données et prédire efficacement des matériaux mous à haute constante diélectrique.

Brijesh FNU, Viet Thanh Duy Nguyen, Ashima Sharma, Md Harun Rashid Molla, Chengyi Xu, Truong-Son Hy2026-03-20🔬 cond-mat.mtrl-sci

Lightweight phase-field surrogate for modelling ductile-to-brittle transition through phenomenological elastoplastic coupling

Cet article propose un surrogate de champ de phase léger qui modélise la transition ductile-fragile dans les systèmes cubiques centrés en couplant phénoménologiquement l'élasticité et la plasticité via des mécanismes dépendants de la température, permettant de capturer efficacement les tendances clés de la transition sans le coût computationnel des modèles thermomécaniques pleinement couplés.

P G Kubendran Amos2026-03-20🔬 cond-mat.mtrl-sci