2794 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.
De auteurs rapporteren de experimentele waarneming van akoestische magneto-chirale anisotropie bij de voortplanting van ultrasone golven in -kwarts, waarbij gebruik werd gemaakt van een ultrasone spectrometer met een ongeëvenaarde resolutie en een analytisch model werd gepresenteerd om het waargenomen effect te verklaren.
Dit onderzoek introduceert Equitrain, een parameter-efficiënt fijnafstemkframework dat LoRA gebruikt om machine-learning interatomische potentialen met minimale extra data aan te passen, waardoor de nauwkeurigheid van voorspellingen voor fononen en thermische eigenschappen over 53 materialen systemen aanzienlijk verbetert ten opzichte van zowel de oorspronkelijke voorgeprogrammeerde modellen als modellen die vanaf nul worden getraind.
Dit paper introduceert Adversarial Distribution Alignment (ADA), een datagedreven raamwerk dat generatieve modellen, vooraf getraind op simulatiegegevens, uitlijnt met experimentele waarnemingen om de kloof tussen simulatie en experiment te overbruggen.
Dit artikel beschrijft een theoretisch model en experimentele bevestiging dat atomaire interfaciale verbreding in (SiGe)m/(Si)m superroosters gelokaliseerde energieniveaus induceert, wat leidt tot extra elektron-gat recombinatiepaden en een uitbreiding van de optische absorptie naar lagere energieën.
Dit artikel introduceert een nieuw raamwerk voor tijd-afhankelijke globale gevoeligheidsanalyse van het Doyle-Fuller-Newman-model, waarmee onbelangrijke parameters kunnen worden geïdentificeerd om de complexiteit van lithium-ion batterijsimulaties te verminderen zonder de nauwkeurigheid van de spanningsrespons significant te beïnvloeden.
Dit onderzoek gebruikt multi-objectieve Bayesiaanse optimalisatie met een ensemble-surrrogaatmodel en een efficiënte steekproefstrategie om samenstellingen van high-entropy legeringen te identificeren die zowel mechanische hardheid als zachte magnetische eigenschappen optimaliseren.
Dit onderzoek evalueert de nauwkeurigheid van vijf fundamentele machine-learnde interatomaire potentialen bij het voorspellen van migratiebarrières voor ionen in batterijmaterialen en identificeert MACE-MP-0 en Orb-v3 als de meest betrouwbare modellen voor het versnellen van de ontdekking van nieuwe ionische geleiders.
Dit onderzoek gebruikt een machine learning-potentiaal om aan te tonen dat uniaxiale compressiespanning de polarisatieschakeling en domeinwandvorming in tetragonale BaTiO3 beïnvloedt, waarbij een kritieke spanning van ongeveer 120 MPa leidt tot 90°-schakeling en hogere spanningen de remanente polarisatie en coercitieve veld verlagen.
Dit onderzoek toont aan dat het zorgvuldig afstemmen van de zwavel-stoichiometrie en groeikinetiek tijdens moleculaire bundel-epitaxie van MoS op silicium leidt tot defect-engineerde films met gemengde Mo/MoS domeinen die de waterstofevolutiereactie aanzienlijk verbeteren door de activering van inerte basale vlakken en verhoogde geleidbaarheid.
Dit artikel presenteert een robuust convolutioneel neuraal netwerk dat, getraind op een uitgebreide micromagnetische dataset, de interfaciale Dzyaloshinskii-Moriya-interactie nauwkeurig en betrouwbaar schat op basis van magnetische belletjestexturen, zelfs in aanwezigheid van ruis en onhomogeniteiten.