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.

Efficient Crystal Structure Prediction Using Universal Neural Network Potential with Diversity Preservation in Genetic Algorithms

Deze studie presenteert een verbeterde genetisch algoritme-methode voor kristalstructuurvoorspelling die, in combinatie met een universeel neuronaal potentiaalmodel, de diversiteit van structuren behoudt en efficiënter stabiele kristalstructuren in multicomponentensystemen identificeert dan bestaande technieken.

Takuya Shibayama, Hideaki Imamura, Katsuhiko Nishimra, Kohei Shinohara, Chikashi Shinagawa, So Takamoto, Ju Li2026-03-26🔬 cond-mat.mtrl-sci

Transition States Energies from Machine Learning: An Application to Reverse Water-Gas Shift on Single-Atom Alloys

Dit onderzoek presenteert een machine learning-model op basis van Gaussian process regression en de Wasserstein Weisfeiler-Lehman-grafiekkernel dat de nauwkeurigheid van overgangstoestandsenergieën en katalytische activiteitsvoorspellingen voor de reverse water-gas shift-reactie op single-atom alloy-katalysatoren aanzienlijk verbetert ten opzichte van traditionele schalingsrelaties.

Raffaele Cheula, Mie Andersen2026-03-26🔬 cond-mat.mtrl-sci

Interplay between many-body correlations, strain and lattice relaxation in twisted bilayer graphene

Deze studie presenteert een unificerend theoretisch kader dat aantoont dat het samenspel tussen elektroncorrelaties, rek en roosterrelaxatie de temperatuurafhankelijke elektronische spectra en thermodynamische eigenschappen van magic-angle twisted bilayer graphene verklaren.

Lorenzo Crippa, Gautam Rai, Dumitru C\u{a}lug\u{a}ru, Haoyu Hu, Jonah Herzog-Arbeitman, B. Andrei Bernevig, Roser Valentí, Giorgio Sangiovanni, Tim Wehling2026-03-26🔬 cond-mat.mtrl-sci

Modeling the Equilibrium Vacancy Concentration in Multi-Principal Element Alloys from First-Principles

Dit artikel presenteert een efficiënt computermodel dat eerste-principes-berekeningen en Monte-Carlo-simulaties combineert om de evenwichtsconcentratie van vacatures in complexe meerprincipe-legeringen te voorspellen en inzicht te geven in de invloed van chemische samenstelling en lokale orde op deze concentratie.

Damien K. J. Lee, Yann L. Müller, Anirudh Raju Natarajan2026-03-26🔬 cond-mat.mtrl-sci

Hierarchical high-throughput screening of alkaline-stable lithium-ion conductors combining machine learning and first-principles calculations

In dit artikel wordt een hiërarchische high-throughput screeningworkflow gepresenteerd die machine learning en eerste-principes-berekeningen combineert om meer dan 320.000 samenstellingen te evalueren, waarbij 209 alkaline-stabiele vaste lithium-ion geleiders worden geïdentificeerd die essentieel zijn voor de ontwikkeling van praktische Li-lucht-batterijen.

Zhuohan Li, KyuJung Jun, Bowen Deng, Gerbrand Ceder2026-03-26🔬 cond-mat.mtrl-sci