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.

The effect of grain boundaries on magnetic exchange interactions in iron

Dit onderzoek toont aan dat hoewel korrelgrenzen in bcc-ijzer de lokale magnetische uitwisselingsinteracties sterk beïnvloeden en tot antiferromagnetische koppeling kunnen leiden, de invloed op de globale Curie-temperatuur beperkt blijft tenzij het volume-aandeel van de korrelgrenzen kunstmatig wordt verhoogd, waarbij fosforsegregatie de antiferromagnetische koppeling onderdrukt.

Martin Zelený, Martin Heczko, Petr Šesták, Denis Ledue, Renaud Patte, Miroslav Černý2026-04-14🔬 cond-mat.mtrl-sci

Strain-tunable interface electrostatics in Janus MoSSe/silk vdW heterostructure for triboelectric nanogeneration

Dit onderzoek toont aan dat het gebruik van rek-engineering op een Janus MoSSe/silk-vdW-heterostructuur de interfaciële elektrostatische eigenschappen en de dipoolmomenten aanzienlijk versterkt, wat leidt tot een verdubbeling van de oppervlakteladingsdichtheid en een verbeterde prestatie van tribo-elektrische nanogeneratoren.

Deobrat Singh, Raquel Lizarraga2026-04-14🔬 cond-mat.mtrl-sci

A Lightweight Universal Machine-Learning Interatomic Potential via Knowledge Distillation for Scalable Atomistic Simulations

Dit artikel introduceert SevenNet-Nano, een lichtgewicht universeel machine-learning interatomair potentieel dat via kennisdistillatie de nauwkeurigheid en generalisatie van een groot foundation-model behoudt terwijl het de rekentijd met meer dan een factor tien verlaagt voor schaalbare atomaire simulaties.

Sangmin Oh, Jinmu You, Jaesun Kim, Jiho Lee, Hyungmin An, Seungwu Han, Youngho Kang2026-04-14🔬 cond-mat.mtrl-sci