🔬 Category

cond-mat.mtrl-sci

4941 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.

🔬 science des matériaux

Strain-Induced Metal-to-Insulator Transition in Antiferromagnetic SrCrO3_3 Thin Films

Cette étude démontre la croissance réussie de films minces de haute qualité de SrCrO3_3 antiferromagnétique et révèle que, bien que le matériau conserve un état métallique sous faible déformation, l'augmentation des déformations de traction et de compression induit une transition métal-isolant pilotée par des distorsions structurelles dépendantes de la déformation, alors même que la température de transition magnétique reste constante.

S. Jöhr (University of Zurich, Zurich, Switzerland), A. Carta (Materials Theory, ETH Zurich, Switzerland, Paul Scherrer (…)2026-09-18
🔬 science des matériaux

Truncated automatic sparse differentiation for machine learning interatomic potentials

Cet article propose une différenciation parcimonieuse automatique tronquée pour calculer efficacement les dérivées d'ordre supérieur des potentiels interatomiques pour l'apprentissage automatique en exploitant la localité physique afin de rejeter les interactions à longue portée négligeables, atteignant ainsi des accélérations d'un ordre de grandeur avec un impact minimal sur les observables prédites.

Marcel F. Langer, Adrian Hill, Michele Ceriotti2026-09-18
🔬 science des matériaux

Multiconfigurational Analysis of Local Electronic Structure of RuO2\mathrm{RuO_2} Using Relativistic Embedded Clusters

Cette étude emploie des calculs de clusters enchâssés relativistes multiconfigurationnels pour démontrer que la suppression de l'altéromagnétisme dans le RuO2\mathrm{RuO_2} massif provient de la préservation de la quasi-dégénérescence des orbitales 4d4d sous une symétrie quasi-tétragonale, ce qui inhibe l'ordre quadripolaire local requis pour la séparation des spins.

Zhosan I. A., Lomachuk Yu. V., Maltsev D. A., Moiseev I. A., Andreev O. Yu2026-09-18
🔬 science des matériaux

Spin-Lattice Dynamics and Interactions in Magnonic Spinels

Cet article démontre que l'ordre Al/Li spécifique au site dans les ferrites de spinelle crée un état ferrimagnétique isolant avec un décalage de la densité d'états au niveau de Fermi, tandis que des calculs *ab initio* révèlent que l'intersection des modes de magnons à basse fréquence et des modes de phonons acoustiques induit une forte hybridation, offrant une voie microscopique pour minimiser l'amortissement magnétique pour les technologies magnoniques à faibles pertes.

Hari Paudyal, Yuri Suzuki, Michael E. Flatté, Durga Paudyal2026-09-18
🔬 science des matériaux

First-principles theory of phonon renormalization from nonlinear electron-phonon interactions

Cet article établit un cadre diagrammatique fondé sur les principes premiers démontrant que les interactions non linéaires un électron-deux phonons, contrairement aux couplages linéaires, renormalisent les fréquences de phonons à travers l'ensemble de la zone de Brillouin avec une dépendance thermique distincte, un phénomène quantifié dans les semi-conducteurs polaires comme LiF et KTaO3_3 et applicable aux matériaux présentant de fortes fluctuations de réseau.

Florian Kluibenschedl, Matthew Houtput, Jacques Tempere, Cesare Franchini, Mikhail Lemeshko, Ragheed Alhyder2026-09-18
🔬 science des matériaux

Active Learning Enables Generation of Molecules that Advance the Known Pareto Front

Cet article introduit un pipeline d'apprentissage actif en boucle fermée qui réentraîne de manière itérative sur des données de simulation de chimie quantique afin de surmonter les limites de généralisation des modèles statiques, générant avec succès des molécules synthétisables dont les propriétés dépassent de manière significative la distribution d'entraînement originale.

Evan R. Antoniuk, Peggy Li, Nathan Keilbart, Stephen Weitzner, Bhavya Kailkhura, Anna M. Hiszpanski2026-09-17
🔬 science des matériaux

BOOM: Benchmarking Out-Of-distribution Molecular Property Predictions of Machine Learning Models

Cet article introduit BOOM, le premier benchmark open-source chimiquement informé pour évaluer systématiquement la généralisation hors distribution (OOD) dans la prédiction de propriétés moléculaires, révélant que les modèles d'apprentissage automatique actuels peinent à extrapoler au-delà de leurs données d'entraînement et soulignant la nécessité de nouvelles approches pour atteindre une performance OOD robuste.

Evan R. Antoniuk, Shehtab Zaman, Tal Ben-Nun, Peggy Li, James Diffenderfer, Busra Sahin, Obadiah Smolenski, Everett Gret (…)2026-09-17
🔬 science des matériaux

Learning Magnetic Order Classification from Large-Scale Materials Databases

Cet article introduit des classifieurs d'apprentissage automatique entraînés sur des données MAGNDATA validées expérimentalement qui atteignent plus de 92 % de précision dans l'identification des états magnétiques fondamentaux, corrigeant efficacement le biais ferromagnétique systématique présent dans les bases de données à grande échelle du Materials Project et permettant un criblage à haut débit plus fiable des matériaux magnétiques.

Ahmed E. Fahmy2026-09-17
🔬 science des matériaux

ADAPT: Lightweight, Long-Range Machine Learning Force Fields Without Graphs

L'article présente ADAPT, un champ de force d'apprentissage automatique léger et sans graphe qui utilise une architecture basée sur les Transformers pour modéliser explicitement toutes les interactions atomiques par paires, atteignant des erreurs de prédiction et des coûts de calcul nettement inférieurs à ceux des réseaux de neurones sur graphes de pointe pour la simulation de défauts ponctuels dans le silicium.

Evan Dramko, Yihuang Xiong, Yizhi Zhu, Geoffroy Hautier, Thomas Reps, Christopher Jermaine, Anastasios Kyrillidis2026-09-17
🔬 science des matériaux

Bismuth-substituted Lutetium Iron Garnet Films with Giant Visible-Range Magneto-Optical Sensitivity

Cette étude rapporte le dépôt par laser pulsé et la caractérisation de films de grenat de lutécium et de fer substitué par du bismuth (LuBiIG), qui présentent une constante de Verdet exceptionnellement élevée allant jusqu'à -1,37 × 10⁸ degré/mètre/Tesla dans le domaine visible, les établissant comme des matériaux prometteurs pour la détection magnétique avancée et les applications quantiques hybrides.

Megan H. Dransfield, Lukáš Flajšman, Matthijs H. J. de Jong, Lars Peeters, Rhodri Mansell, Sebastiaan van Dijken, Laure (…)2026-09-17