🔬 Category

cond-mat.mtrl-sci

3307 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.

🔬 materials science

The electric field gradient tensor as a symmetry-adapted order parameter in Landau theory

Cet article établit un cadre systématique de la théorie de Landau qui traite le tenseur du gradient de champ électrique (EFG) comme un paramètre d'ordre adapté à la symétrie, permettant de prédire sa réponse linéaire ou quadratique aux transitions de phase structurelles sur la base des représentations irréductibles et de valider ces prédictions par des données expérimentales et des calculs de premiers principes.

L. Scalise, A. W. Carbonari2026-07-30
🔬 applied physics

Two-magnon scattering in the framework of the Lippmann-Schwinger equation

Cet article introduit un cadre de Lippmann-Schwinger pour modéliser la diffusion de deux magnons à partir de potentiels de défauts faibles, démontrant que la diffusion est déterminée par le recouvrement entre les perturbations de champ effectives et les états de spin-ondes dégénérés, liant ainsi l'orientation cristallographique à l'élargissement de la largeur de raie magnétique dans les films de grenat de fer.

Jorge Marquez Chavez, Ondřej Wojewoda, Yixuan Song, Geoffrey S. D. Beach, Caroline A. Ross2026-07-30
🔬 materials science

Theory of phonon-magnon hybridization and angular momentum in CrI3_3 and CrBr3_3

Cet article développe un cadre hamiltonien contraint pour quantifier l'hybridation phonon-magnon dans le CrI3_3 et le CrBr3_3, révélant un mélange significatif (jusqu'à 25 % dans le CrBr3_3) et démontrant comment le moment angulaire total est conservé tout en étant partagé entre les sous-systèmes phononiques et magnoniques hybridés.

Maxime Mignolet, Miquel Royo, Massimiliano Stengel, Matthieu J. Verstreate2026-07-30
🔬 materials science

Generation of representative powder particle packing in 2D/3D: which tool for which application?

Cet article évalue quatre outils open-source pour la génération de packings de particules de poudre 2D/3D représentatifs par rapport aux normes industrielles, révélant que si les codes de la méthode des éléments discrets (DEM) atteignent les densités de compactage les plus élevées, les algorithmes séquentiels de chute et de roulement offrent une alternative informatiquement efficace avec une précision acceptable pour de nombreuses applications.

Antoine Tainturier, Louis Lemarquis, Victor Szczepan, Marc Bernacki2026-07-30
🔬 materials science

No band gap, no problem: Defects in InAs using a band-avoiding occupation-constrained density functional theory

Cet article présente une méthode de la théorie de la fonctionnelle de la densité à occupation contrainte évitant les bandes (ba-occ-DFT) qui surmonte le problème du gap nul dans les semi-conducteurs à gap étroit comme l'arséniure d'indium (InAs), permettant des prédictions précises des niveaux de défauts atomiques malgré l'échec de la DFT standard à reproduire le gap de bande expérimental.

Peter A. Schultz, Arthur H. Edwards, Evan M. Anderson, Anthony C. Knighton, Leopoldo Diaz2026-07-30
🔬 materials science

Towards real-time surrogate-free Bayesian inversion for neutron reflectometry

Cet article introduit un cadre d'inversion bayésienne rapide et sans substitut pour la réflectométrie neutronique qui exploite des gradients exacts afin de permettre des méthodes de Monte-Carlo Hamiltonien et d'inférence variationnelle hautement efficaces, offrant des vitesses de quantification de l'incertitude et une robustesse de pointe pour les échantillons complexes sans sacrifier l'intuition physique.

Max D. Champneys, Andrew J. Parnell, Philipp Gutfreund, Maximilian W. A. Skoda, Patrick A. Fairclough, Timothy J. Rogers (…)2026-07-29
🔬 materials science

Dual-Level Atomic and Coordination Geometry Learning for Crystal Property Prediction Using Graph Neural Networks

L'article propose le Coordination Polyhedron Graph Network (CPGN), un réseau de neurones sur graphes multi-échelle qui modélise explicitement les niveaux atomique, de liaison et de polyèdre de coordination grâce à une attention croisée bidirectionnelle afin d'atteindre une précision de pointe dans la prédiction des propriétés cristallines en capturant des unités structurelles fondamentales souvent omises par les modèles existants.

Sanjay Chakraborty2026-07-29
🔬 materials science

A flexible kinetic Monte Carlo framework for GaN molecular beam epitaxy with adaptive on-the-fly barrier evaluation

Cet article présente un cadre de Monte Carlo cinétique sur réseau, flexible et évolutif, pour la simulation de l'épitaxie par jets moléculaires du GaN, qui intègre des catalogues d'énergies d'activation prédéfinis avec des évaluations de barrières adaptatives et apprises par apprentissage automatique en temps réel afin de modéliser avec précision des phénomènes de croissance complexes tels que la formation d'îlots, le mûrissement d'Ostwald et la dérive d'îlots induite par la température.

Sajid Ali, Norbert Krause, Carla Verdi2026-07-29
🔬 materials science

MANDALA: An E(3)-Equivariant Graph Neural Network Framework for Learning Electronic-Structure Operators with Observable Guidance

Mandala est un cadre de réseau de neurones sur graphes modulaire et E(3)-équivariant qui comble le fossé entre l'apprentissage automatique et les calculs de structure électronique en apprenant des opérateurs quantiques à parcité creuse pour prédire directement les observables électroniques telles que les structures de bandes et les densités d'états, complétant ainsi les potentiels interatomiques classiques de l'apprentissage automatique.

Bartosz Brzoza, Wiktoria Szopa, Zakaria Elabid, Vincent Martinetto, Varadarajan Rengaraj, Mani Lokamani, Thomas D. Kühne (…)2026-07-29