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.

Physics-informed neural network for predicting fatigue life of unirradiated and irradiated austenitic and ferritic/martensitic steels under reactor-relevant conditions

Deze studie introduceert een door natuurkunde geïnspireerd neuronaal netwerk (PINN) dat de vermoeiingslevensduur van stralingsblootgestelde en niet-blootgestelde austenitische en ferritische/martensitische staalsoorten voor kernreactoren nauwkeuriger en fysisch consistenter voorspelt dan traditionele machinelearning-methoden.

Dhiraj S Kori, Abhinav Chandraker, Syed Abdur Rahman, Punit Rathore, Ankur Chauhan2026-03-20🔬 cond-mat.mtrl-sci

DiffCrysGen: A Generative Diffusion Model for Accelerated Design of Inorganic Crystalline Materials

DiffCrysGen is een volledig datagedreven generatief diffusiemodel dat de ontwerpsnelheid voor functionele anorganische kristallijne materialen met twee tot drie ordes van grootte versnelt door complete kristalstructuren in één end-to-end proces te genereren, wat resulteert in de ontdekking van stabiele en synthetiseerbare zeldzame-aarde-vrije magnetische materialen.

Sourav Mal, Nehad Ahmed, Junaid Jami, Subhankar Mishra, Prasenjit Sen2026-03-20🔬 cond-mat.mtrl-sci

KAN-Enhanced Contrastive Learning Accelerating Crystal Structure Identification from XRD Patterns

Dit paper introduceert XCCP, een fysisch geleid contrastief leerframework dat Kolmogorov-Arnold-netwerken gebruikt om kristalstructuren snel en nauwkeurig te identificeren uit XRD-patronen, waardoor de analyse schaalbaar wordt voor hoogdoorvoer en autonome laboratoria.

Chenlei Xu, Tianhao Su, Jie Xiong, Yue Wu, Shuya Dong, Tian Jiang, Mengwei He, Shuai Chen, Tong-Yi Zhang2026-03-20🔬 cond-mat.mtrl-sci

Multimodal Machine Learning for Soft High-k Elastomers under Data Scarcity

Dit artikel presenteert een compact, hoogwaardig dataset van acrylaat-gebaseerde diëlektrische elastomeer en een multimodaal leerframework dat gebruikmaakt van voorgeöpleide polymerrepresentaties om de data-efficiënte ontdekking van zachte elastomeer met een hoge diëlektrische constante mogelijk te maken.

Brijesh FNU, Viet Thanh Duy Nguyen, Ashima Sharma, Md Harun Rashid Molla, Chengyi Xu, Truong-Son Hy2026-03-20🔬 cond-mat.mtrl-sci

Lightweight phase-field surrogate for modelling ductile-to-brittle transition through phenomenological elastoplastic coupling

Deze studie presenteert een lichtgewicht faseveld-suraatmodel dat de overgang van ductiel naar bros gedrag in kubische kristalstructuren efficiënt simuleert door temperatuurafhankelijke fenomenologische mechanismen te koppelen aan een elastoplastisch continuum, waardoor kostbare thermomechanische berekeningen worden vermeden.

P G Kubendran Amos2026-03-20🔬 cond-mat.mtrl-sci