4298 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.
Lo studio del materiale YbCuSe rivela che, a causa del significativo disordine strutturale, il sistema non presenta uno stato fondamentale di liquido di spin quantistico ma si comporta invece come una fase di singoletto casuale bidimensionale, suggerendo un comportamento universale nei sistemi frustrati disordinati.
Questo lavoro valuta l'accuratezza del potenziale interatomico universale basato sull'apprendimento automatico (UMA) per simulare 25 diversi droganti nel MoS₂, dimostrando come tale approccio consenta simulazioni di dinamica molecolare ad alta efficienza che catturano fenomeni complessi a costi computazionali ridotti rispetto alla teoria del funzionale densità, abilitando così la progettazione ad alto rendimento di materiali doped per applicazioni tribologiche ed elettroniche.
Gli autori dimostrano che un dispositivo a valvola di spin basato su grafene ripiegato in bilayer genera segnali di spin non locali giganti e un effetto diodo di spin efficiente, aprendo la strada allo sviluppo di dispositivi spintronici bidimensionali attivi.
Questo studio analizza la fotoconduttività ultraveloce e le inhomogeneità nanoscopiche in nastri di grafene epitassiale multistrato, rivelando come le eccitazioni ottiche modifichino selettivamente la risposta dei livelli quasi-neutrali attraverso meccanismi di scattering dipendenti dalla temperatura dei portatori.
Gli autori presentano un'implementazione del formalismo DFT nel metodo FLAPW all-elettrone tramite il codice FLEUR, dimostrando come l'inclusione delle interazioni Coulombiane intersito , calcolate da primi principi, migliori l'accuratezza nella descrizione delle proprietà di materiali covalenti, semiconduttori e isolanti a trasferimento di carica rispetto ai metodi convenzionali e ai dati sperimentali.
Questo studio presenta la crescita epitassiale monolitica di punti quantici InGaAs controllati nella posizione tramite un metodo a stressor sepolti con variazione locale della densità, dimostrando un'alta precisione di posizionamento e la possibilità di integrare su un singolo chip sia sorgenti a fotone singolo che microlaser per applicazioni nella fotonica quantistica.
Questo articolo presenta un protocollo di massimizzazione dell'entropia dell'informazione per generare dataset di addestramento privi di bias termodinamici, permettendo ai potenziali interatomici basati su machine learning di modellare con successo materiali complessi multi-elemento in condizioni estreme e lontane dall'equilibrio.
Lo studio utilizza la teoria del funzionale densità per identificare Cu@VN e Pd@VB come potenziali catalizzatori a singolo atomo per l'evoluzione dell'idrogeno su h-BN difettoso, dimostrando che l'analisi di stabilità elettrochimica è fondamentale per selezionare Pd@VB come l'unico candidato robusto e stabile in un ampio intervallo di potenziali e pH.
Gli autori dimostrano che l'innesto di ioni elio attraverso una maschera litografica permette di generare gradienti di deformazione trasversali in film epitassiali di GdAuGe, inducendo una risposta ferromagnetica vicino alla temperatura ambiente e confermando così il controllo del flexomagnetismo tramite patterning della deformazione.
Questo studio valuta le prestazioni di nove potenziali di apprendimento automatico universali (uMLP) nell'ottimizzazione globale, dimostrando che, sebbene le capacità di previsione varino notevolmente da modelli quasi *ab initio* a quelli non predittivi, diversi di essi riescono a catturare sottili differenze energetiche cruciali per determinare gli stati fondamentali di sistemi inorganici complessi.