5016 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 introduce un framework di inversione bayesiana rapido e privo di surrogati per la riflettometria neutronica che sfrutta gradienti esatti per abilitare metodi di Hamiltonian Monte-Carlo e Variational Inference altamente efficienti, offrendo velocità di quantificazione dell'incertezza e robustezza allo stato dell'arte per campioni complessi senza sacrificare l'intuizione fisica.
Il documento propone la Coordination Polyhedron Graph Network (CPGN), una rete neurale a grafi multi-scala che modella esplicitamente i livelli atomico, di legame e di poliedro di coordinazione attraverso l'attenzione incrociata bidirezionale per raggiungere un'accuratezza allo stato dell'arte nella previsione delle proprietà dei cristalli, catturando le unità strutturali fondamentali spesso trascurate dai modelli esistenti.
Questo articolo presenta un framework di Monte Carlo cinetico basato su reticolo, flessibile e scalabile, per la simulazione dell'epitassia a fasci molecolari di GaN che integra cataloghi di energia di attivazione predefiniti con valutazioni delle barriere adattive e basate sull'apprendimento automatico "on-the-fly" per modellare accuratamente fenomeni di crescita complessi quali la formazione di isole, il maturamento di Ostwald e il cammino delle isole guidato dalla temperatura.
Mandala è un framework di reti neurali a grafo modulare ed E(3)-equivariante che colma il divario tra l'apprendimento automatico e i calcoli della struttura elettronica apprendendo operatori quantistici a sparsità di blocco per predire direttamente osservabili elettronici come strutture a bande e densità degli stati, completando così i tradizionali potenziali interatomici basati sull'apprendimento automatico.
Questo articolo introduce un framework privo di parametri, basato su principi primi e sulla dinamica non perturbativa di Green-Kubo, che predice accuratamente il trasporto di carica nei semiconduttori molecolari attraverso diversi regimi, scardina il meccanismo microscopico prevalente per il DNTT attribuendo la localizzazione transitoria al disordine correlato sul sito e identifica la famiglia dei fenaceni come una direzione promettente per materiali ad alta mobilità.
Questo articolo presenta un framework sperimentale integrato che combina IV, LBIC e KPFM dipendente dal bias per identificare e caratterizzare in modo univoco le barriere di contatto Schottky rispetto a quelle a effetto tunnel in dispositivi di MoS2 a pochi strati, dimostrando che, sebbene l'annealing termico riduca la resistenza totale, le barriere di contatto rimangono il fattore limitante dominante.
Questa revisione unifica il linguaggio geometrico dei gradi di libertà SU(2) attraverso diversi sistemi quantistici per dimostrare come la continuità della funzione d'onda protetta dalla simmetria e l'avvolgimento topologico servano come un quadro progettuale pratico per l'ingegnerizzazione di tecnologie di memoria, commutazione e rilevamento di prossima generazione.
Questo articolo presenta un modello di creep angolare esteso che incorpora la rigidità dispersiva delle pareti di dominio e lo smorzamento chirale per descrivere accuratamente l'espansione anisotropa dei domini a bolla magnetica, migliorando così l'estrazione quantitativa dell'interazione di Dzyaloshinskii-Moriya e degli effetti dinamici chirali.
Il documento introduce la Transformer Atomic Cluster Expansion (TRACE), un'architettura di apprendimento automatico che conserva l'energia e che unifica con successo la modellazione di diversi fenomeni fisici — inclusi le transizioni di fase polimorfiche, le strutture liquide e la reattività chimica — combinando le correlazioni dell'espansione dei cluster atomici con l'attenzione incrociata multi-testa locale.
Questo articolo presenta un framework di apprendimento automatico interpretabile guidato dalla fisica che combina simulazioni di Brownian Cluster Dynamics con l'analisi SHAP per disaggregare quantitativamente gli effetti individuali e accoppiati di affollamento, composizione e flessibilità di legame sintonizzabile sul trasporto di particelle in mezzi affollati, rivelando la flessibilità di legame come un regolatore distinto del rilassamento in reti colloidali eterogenee.