2772 articoli
La scienza dei materiali esplora come la struttura della materia determina le proprietà dei nuovi materiali, un campo fondamentale che guida l'innovazione tecnologica quotidiana. Dai superconduttori ai polimeri avanzati, questa disciplina studia le interazioni atomiche per creare soluzioni che vanno dall'elettronica flessibile ai dispositivi energetici più efficienti.
Su Gist.Science, ogni nuovo preprint pubblicato su arXiv nella sezione Cond-Mat — Mtrl-Sci viene elaborato per renderlo comprensibile a tutti. Offriamo sia riassunti tecnici dettagliati per gli esperti, sia spiegazioni in linguaggio semplice per chi si avvicina a questi argomenti per la prima volta, democratizzando l'accesso alla ricerca d'avanguardia.
Di seguito trovate la selezione più recente di studi su questi materiali, pronti per essere esplorati e compresi grazie ai nostri strumenti di sintesi.
Questo articolo presenta una prospettiva sul design generativo dei materiali inorganici, proponendo un quadro unificato che integra modelli di intelligenza artificiale fondazionali, dati multiscala e validazione sperimentale ad alto rendimento per affrontare le sfide del design inverso basato sui dati.
Questo lavoro introduce la "omogeneizzazione inversa distribuzionale", una metodologia non invasiva che sfrutta le proprietà meccaniche macroscopiche misurate per ricostruire le statistiche globali della microstruttura dei materiali, superando le difficoltà tradizionali legate al processo di inversione dell'omogeneizzazione.
Lo studio dimostra che l'impiego di leghe ad alta entropia nanoporose, come Al₀.₁CoCrFeNi e NbMoTaW, supera la fragilità intrinseca di questi materiali grazie a un meccanismo di incrudimento che sfrutta la fame e il moto rallentato delle dislocazioni, garantendo una resistenza specifica significativamente superiore e una maggiore resilienza termica rispetto ai materiali nanoporosi monoelementari.
Il paper presenta DAO, un framework pre-addestrato e basato su modelli fondazionali Siamese che combina un generatore di strutture e un predittore di energia per prevedere con alta precisione e velocità le strutture cristalline, superando i limiti dei metodi computazionali tradizionali.
Questo studio introduce un modello surrogato basato sull'Operatore Neurale di Fourier (FNO) che, integrando il metodo di campo di fase, permette una modellazione rapida e invariante alla risoluzione dell'evoluzione dei grani nei materiali, superando i limiti computazionali e di generalizzazione delle simulazioni tradizionali.
Questo studio presenta superlattice di ossido di hafnio e zirconio che, sfruttando gli strati di ZrO₂ come potenziatori della polarizzazione e le interfacce per prevenire il guasto, raggiungono una polarizzazione residua record di 84 µC/cm² con 87,5% di contenuto di ZrO₂, offrendo al contempo una soluzione più sostenibile e durevole per l'industria dell'archiviazione dati.
Utilizzando il formalismo dell'operatore di proiezione di Zwanzig, questo lavoro sviluppa una teoria statistica unificata per la conduzione del calore in mezzi non uniformi, derivando un nucleo spaziotemporale microscopico che integra memoria temporale, non località spaziale ed eterogeneità materiale, e che riduce a limiti asintotici controllati sia i modelli classici di diffusione che quelli idrodinamici e quasi-balistici.
Lo studio presenta una correlazione sistematica tra stechiometria, ordine strutturale e stati magnetici nel , rivelando che la massima temperatura di Néel e l'accoppiamento antiferromagnetico sono massimizzati a grazie alla formazione di un superreticolo ordinato, offrendo un quadro quantitativo per ingegnerizzare stati magnetici nei materiali bidimensionali.
Questo studio utilizza la spettroscopia fotoelettronica a raggi X (XPS) per valutare rapidamente l'efficacia di 17 diversi strati di protezione nel prevenire l'ossidazione e la contaminazione superficiale del niobio durante i processi di fabbricazione, selezionando infine i rivestimenti più resilienti per migliorare le prestazioni dei risonatori a microonde.
Questo studio presenta un framework di screening guidato dal machine learning che integra descrittori analitici, modelli predittivi e metriche di sostenibilità per identificare e classificare nuovi perovskiti calcogenurici stabili e promettenti come materiali per celle solari di prossima generazione.