4328 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 dimostra che l'irradiazione con luce polarizzata circolarmente permette di realizzare altermagneti bidimensionali robusti e sintonizzabili in bilayer antiferromagnetici di tipo A, superando le restrizioni simmetriche precedenti e offrendo un controllo versatile sulle loro proprietà magnetiche.
Il paper presenta MAD-SURF, un potenziale interatomico basato sull'apprendimento automatico addestrato su un ampio dataset, che replica con precisione i risultati della teoria del funzionale densità (DFT) per l'adsorbimento di molecole su superfici di metalli nobili, consentendo simulazioni atomistiche di ordini di grandezza più rapide.
Lo studio mediante diagonalizzazione numerica del modello di Heisenberg antiferromagnetico con spin S=2 su un reticolo di dimeri ortogonali rivela che la regione intermedia tra la fase di dimeri esatti e quella ordinata di Néel si allarga progressivamente all'aumentare dello spin fino a S=2.
Questo studio presenta una caratterizzazione multimetodo del placcaggio di litio su un pacco commerciale da 26 Ah, confrontando tecniche elettrochimiche, microscopiche e spettroscopiche in uno studio interlaboratorio per identificare metodi efficaci, rapidi e complementari per il rilevamento qualitativo e quantitativo di tale meccanismo di degrado.
Il paper dimostra che molti modelli di machine learning per la scoperta di materiali ottengono risultati promettenti basandosi su correlazioni spurie bibliografiche (come autore, rivista e anno) piuttosto che su principi chimici reali, sottolineando la necessità di test di falsificazione rigorosi e dataset progettati per evitare tali distorsioni.
Questo studio utilizza un avanzato framework Monte Carlo *ab initio* per prevedere come le terminazioni superficiali e gli ambienti di coordinazione governino le transizioni ordine-disordine e la segregazione degli elementi nei carburi MXene multicomponenti a doppio metallo di transizione.
Questo studio dimostra, tramite spettroscopia fononica coerente e diffrazione a raggi X, che le correlazioni di onda di densità di carica (CDW) di corto raggio nel superconduttore kagome CsVSb drogato con stagno persistono fino alla temperatura ambiente, grazie all'effetto di ancoraggio introdotto dal disordine.
Questo studio estende la teoria del campo medio per il modello Hubbard 2D in gas di elettroni diluiti degeneri, rivelando come le fluttuazioni di superconduttività, la competizione con l'ordine a onda di densità di carica e i meccanismi di interrazione modulino la cupola di transizione superconduttiva nello SrTiO₃, offrendo criteri per distinguere le origini elettron-elettrone da quelle elettron-fonone e per ingegnerizzare più elevate.
Il documento presenta un approccio di trasferimento apprendimento disaccoppiato che, separando gli estrattori di caratteristiche GNN preaddestrati da regressori semplici, risolve il problema del collasso nell'estrapolazione delle proprietà dei materiali, riducendo l'errore del 68% rispetto ai metodi tradizionali e permettendo la scoperta di materiali inediti.
Il paper propone un framework di deep learning basato su reti neurali grafiche ricorrenti latenti multiscala che garantisce previsioni stabili e accurate a lungo termine dei campi termici su mesh complesse, superando le limitazioni computazionali delle simulazioni ad alta fedeltà e generalizzando su geometrie eterogenee.