4239 papers
De categorie Materiaalwetenschappen op Gist.Science duikt in de fascinerende wereld van de fysica van gecondenseerde materie, waar onderzoekers nieuwe materialen ontdekken en hun unieke eigenschappen bestuderen. Van supergeleiders tot slimme polymeren, dit vakgebied vormt de basis voor innovaties die onze dagelijkse technologie en toekomstige industrieën vormgeven. Onze missie is om deze complexe wetenschap toegankelijk te maken voor iedereen, van studenten tot professionals buiten de directe onderzoekswereld.
Elke nieuwe preprint in dit domein wordt rechtstreeks vanuit arXiv gehaald en zorgvuldig verwerkt door ons team. We bieden niet alleen gedetailleerde technische samenvattingen voor experts, maar ook heldere, alledaagse uitleg die de kern van het onderzoek duidelijk maakt zonder jargon. Zo blijft u up-to-date met de snelste ontwikkelingen zonder verdwaald te raken in formules.
Hieronder vindt u de meest recente publicaties uit de categorie Materiaalwetenschappen, direct uitgewerkt en samengevat voor uw gemak.
Deze studie onthult dat dikke, via MOCVD gegroeide -GaO epitaxiale lagen op (001) substraten scheuren door een maximale trekspanning van +4,1% veroorzaakt door een onverwachte (-401) epitaxiale oriëntatie, die voortvloeit uit zuurstofrijke oppervlaktefacettering tijdens het gloeien.
Deze review onderzoekt hoe kunstmatige intelligentie, variërend van conventioneel machine learning tot foundation models, de nanodeeltjes-elektronenmicroscopie transformeert van een beschrijvende beeldvormingstechniek naar een datagestuurd platform voor kwantitatieve structurele inferentie, dynamische analyse en autonome ontdekking van materialen.
Het artikel introduceert MOSAIC, een computationeel raamwerk dat Fourier-filtering op verstrooiingsamplituden gebruikt om specifieke diffuse verstrooiingskenmerken in de reciproke ruimte direct te mappen naar atomaire-plaats-opgeloste bezettings- en verplaatsingsvelden, waardoor identificatie van lokale structurele correlaties in grootschalige modellen afgeleid van simulaties of experimentele data mogelijk wordt.
Dit artikel introduceert de "nietlineaire Tellegen-limiet", een veldinstelbare elektromagnetische stabiliteitsgrens in magnetoelektrische media waarbij sterke statische velden het systeem naar instabiliteit drijven via symmetrie-afhankelijke nietlineaire koppeling, een fenomeen dat is aangetoond in d-golf altermagneten en M-type hexagonale ferrieten.
Dit artikel stelt antwoord-geconditioneerde chain-of-thought distillatie voor om kleine visie-taalmodellen snel aan te passen aan few-shot industriële visuele inspectietaken, waarbij wordt aangetoond dat het genereren van redeneringen geconditioneerd op correcte labels aanzienlijk beter presteert dan directe fijnafstemming en zelfs grotere modellen zoals GPT-4.1 wanneer getraind op minimale data.
Dit artikel introduceert een vereenvoudigd clustergebaseerd model dat het optische spectrum van erbium-gedoteerd gadoliniumvanadaat nauwkeurig beschrijft door rekening te houden met interacties tussen het erbiumion en de naburige gadoliniumionen, wat een fysiek transparant kader biedt voor het voorspellen van microgolf-naar-optische transductie.
Dit artikel presenteert een op neurale netwerken gebaseerde aanpak die spin- en orbitale impulsmomenten nauwkeurig reconstrueert direct vanuit volledige X-ray magnetische circulaire dichroïsme spectrale lijnvormen, wat een datagedreven alternatief biedt voor conventionele somregel-analyses die vertrouwen op geïntegreerde intensiteiten.
Deze studie onderzoekt de temperatuurafhankelijkheid van de lading-naar-spinconversie in epitaxiale rhomboedrische (110) bismutfilms, waarbij wordt onthuld dat de waargenomen versterking van de spin-Hall-geleidbaarheid en de spindiffusielengte bij lagere temperaturen aangeeft dat spinverstrooiing wordt gedomineerd door het Elliott-Yafet-mechanisme, terwijl de conversie zelf primair wordt gedreven door skew scattering.
Dit artikel introduceert een onzekerheidsbewust raamwerk met behulp van heteroscedastische Gaussische procesregressie om de stochastische structuur-eigenschapsrelaties van spinodoïde metamaterialen te modelleren, waarbij wordt aangetoond dat het rekening houden met morfologie-geïnduceerde variabiliteit essentieel is voor het bereiken van betrouwbare ontwerpoptimalisatie in vergelijking met traditionele deterministische of homoscedastische benaderingen.
Dit artikel introduceert PAC Studio ML, een human-in-the-loop Python desktopomgeving die machine learning integreert met natuurkundig geïnformeerde modellering om de expertanalyse van Time-differential Perturbed Angular Correlation (TDPAC) spectra te versnellen en te verbeteren door robuuste parameterinitialisatie, site-count hypothesetests en verbeterde reproduceerbaarheid te bieden zonder de conventionele expertinterpretatie te vervangen.