4820 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 un flusso di lavoro di machine learning che utilizza CatBoost per prevedere indirettamente l'indice di frustrazione magnetica stimando indipendentemente le temperature di Curie-Weiss e di Néel, riuscendo così a sottoporre a screening oltre 67.000 composti per identificare 20 candidati magnetici frustrati ad alta confidenza, inclusi nuovi sistemi di ossidi.
Questo articolo dimostra che gli altermagneti 2D con accoppiamento spin-valle-strato esibiscono un effetto Hall di spin-valle nascosto che può essere rivelato in un segnale Hall elettrico commutabile tramite gate da un campo esterno, offrendo una nuova via basata sulla simmetria per il controllo elettrico di valle-spin e la magneto-ottica.
Il documento introduce EpNet-Si, un metodo di pseudopotenziale empirico potenziato da una rete neurale equivariante per il silicio che apprende i fattori di forma atomici dagli ambienti locali per ottenere previsioni della struttura a bande rapide e accurate con errori comparabili alla teoria del funzionale della densità attraverso diverse strutture cristalline.
Questo studio basato sui primi principi confronta le proprietà strutturali, elastiche, elettroniche e vibrazionali dipendenti dalla pressione delle fasi MAB stratificate Y2GaB e Y2InB fino a 20 GPa, rivelando che Y2GaB rimane meccanicamente stabile con prestazioni termiche ed elastiche migliorate sotto compressione, mentre Y2InB è instabile oltre la pressione ambiente, chiarendo così il ruolo critico della sostituzione nel sito M nel governare la loro evoluzione indotta dalla pressione.
Questo articolo introduce il dataset di benchmark WBM-MatPES per valutare sistematicamente i potenziali basati sul machine learning sotto alta pressione e presenta Tuga-FF, un modello graph transformer che supera significativamente i metodi esistenti mantenendo un'elevata accuratezza in condizioni di pressione ambiente ed estrema fino a 150 GPa.
Questo studio combina la caratterizzazione sperimentale e i calcoli basati sui primi principi per dimostrare che la crescita di nitruro di boro esagonale su un substrato di platino curvo induce una sfaccettatura selettiva in specifici piani cristallini, alterando la stabilità relativa delle faccette superficiali attraverso la variazione dell'intensità dell'interazione tra strato superiore e substrato.
Questo articolo presenta un framework di progettazione inversa basato su grafi che consente la programmazione architettonica e modale di tensori piezoelettrici riconfigurabili, permettendo a una singola struttura di ottenere una rilevazione e un'attuazione programmabili e selettive in frequenza attraverso molteplici direzioni, riducendo significativamente il volume rispetto alle assemblaggi convenzionali.
Questo studio dimostra che la sostituzione con cloro in Bi2O2Se introduce efficacemente lacune di van der Waals per potenziare il suo carattere quasi-bidimensionale e consentire un'ampia ingegneria del bandgap, preservando al contempo proprietà elettroniche chiave come l'elevata mobilità elettronica.
Integrando un flusso di lavoro di progettazione inversa guidato dall'IA con potenziali basati sull'apprendimento automatico e calcoli basati sui primi principi, questo studio predice due monostrati 2D di Bi2O3 dinamicamente stabili che esibiscono polarizzazioni fuori piano eccezionalmente grandi, dimostrando che la rottura della simmetria indotta dalla dimensionalità è una strategia percorribile per la scoperta di ossidi 2D ad alta polarizzazione.
Questo studio dimostra che l'addestramento di campi di forza basati sull'apprendimento automatico su meno dell'1% del dataset OMat24, selezionando ambienti locali strutturalmente e chimicamente distinti, produce un'accuratezza paragonabile ai modelli addestrati sull'intero set di 100 milioni di strutture, provando che la diversità chimica piuttosto che il mero volume di dati è il fattore critico per la modellazione dei materiali a scopo generale.