4135 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 studio combina la microscopia a effetto tunnel e calcoli ab initio per rivelare che la superficie di Pt(111) catalizza la conversione termica dell'n-ottano in anelli benzenici tramite ciclizzazione intramolecolare e in specie policicliche attraverso un meccanismo di omocoppiamento intermolecolare di tipo "zipper" a temperature superiori a 600 K.
Questo articolo presenta un modello di frattura a campo di fase completo per materiali fragili sottoposti a shock termico che specifica indipendentemente le proprietà di massa, la resistenza e la tenacità, unificando con successo la previsione di diversi scenari di frattura — dalla propagazione alla nucleazione e ramificazione — attraverso vari casi sperimentali in cui gli approcci classici risultano insufficienti.
Misurando le funzioni di lavoro di nanoparticelle di metallo di Li e Li, i ricercatori hanno scoperto un significativo effetto isotopico e una dipendenza non banale dalla temperatura che sfidano i modelli semplici e mettono in luce la natura del litio come materiale quantistico in cui i gradi di libertà elettronici e ionici interagiscono fortemente.
Questo studio dimostra che l'antiferromagnete topologico MnSn esibisce un effetto fotoelastico nel vicino infrarosso insolitamente grande guidato da fononi acustici coerenti, rivelando la sua eccezionale sensibilità alle distorsioni reticolari e stabilendo una base per applicazioni di stratronica ultraveloci.
Questo articolo presenta un modello analitico bidimensionale, computazionalmente efficiente, per la caratterizzazione di anelli magnetici toroidali con sezione trasversale circolare sotto eccitazione sinusoidale, derivando espressioni esplicite per i campi interni, l'impedenza e le componenti di perdita separate, per fungere da alternativa accurata all'analisi agli elementi finiti per i test standardizzati dei materiali.
Questo articolo dimostra che le reti neurali grafiche equivarianti, nello specifico una versione adattata di GotenNet, superano significativamente i modelli allo stato dell'arte esistenti nella previsione degli spettri ottici e della permittività reale statica per lo screening dei materiali, sfruttando l'espressività geometrica e dati di addestramento ad alta fedeltà a livello RPA.
AdsMind è un framework multi-agente a ciclo chiuso e basato sulla fisica che sfrutta il feedback di campi di forza basati sull'apprendimento automatico per correggere autonomamente le ipotesi iniziali e scoprire efficientemente configurazioni di adsorbimento accurate su superfici di catalizzatori eterogenei, superando significativamente i metodi a ciclo aperto e i baseline euristici in termini di affidabilità ed efficienza computazionale.
Questo studio presenta la prima osservazione su larga area dell'attività plastica subsuperficiale in elettrodi di rame condizionati, dimostrando che l'esposizione ad alto campo induce un significativo disorientamento intragranulare coerente con l'evoluzione della dinamica delle dislocazioni come meccanismo fisico sottostante per il condizionamento ad alto campo.
Questo articolo propone un framework basato sulla fisica che utilizza reti neurali convesse per scoprire funzioni di snervamento anisotrope direttamente da dati di spostamento e forza di reazione a campo completo, superando la necessità di osservazioni dirette dello stress o di forme parametriche predefinite mediante l'integrazione della funzione di snervamento all'interno di uno schema di integrazione dello stress elastoplastico differenziabile.
Questo articolo propone un framework ibrido GNN-FEM che integra un surrogato basato su reti neurali a grafi per gli aggiornamenti del campo di fase all'interno di uno schema a scatti (staggered) a elementi finiti convenzionale, consentendo simulazioni efficienti, accurate e generalizzabili dell'evoluzione della frattura dipendente dalla storia attraverso diverse geometrie e condizioni, preservando al contempo la coerenza fisica.