2881 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 toont voor het eerst robuuste structurele superlubriciteit aan op macroschaal binnen een submillimeter-grafietcontact, waarmee de langdurige beperking dat dit fenomeen uitsluitend op micro- en nanoschaal voorkomt, wordt doorbroken en een nieuw paradigma wordt neergezet voor toekomstige mechanische systemen.
Deze paper introduceert een webgebaseerde interface die de post-processing en interactieve analyse van SDTrimSP-simulaties voor stikstofimplantatie in vanadium verbetert door functies voor het vergelijken van statische en dynamische profielen, het omrekenen van eenheden, het berekenen van atoomdichtheden en het converteren van kristalstructuren.
Met behulp van terahertz-metrologie tonen onderzoekers aan dat de Drude-weight van plasmons in mono- en bilayer grafiet systematisch hoger is dan voorspeld door niet-interagerende modellen, wat wijst op de cruciale invloed van pseudospin-structuur en elektroninteracties op collectieve excitaties in kwantummaterialen.
Dit paper stelt een nieuw ML-LCA-framework voor dat kunstmatige intelligentie en levenscyclusanalyse integreert om duurzame materialen proactief te ontwerpen in plaats van ze achteraf te beoordelen, waarmee het de huidige disconnectie tussen prestatieoptimalisatie en milieueffecten overbrugt.
De auteurs ontwikkelen een efficiënte methode om interatomaire potentialen te fitten op hoge-temperatuur Gibbs-vrije-energiedata via Hamiltoniaanse thermodynamische integratie, wat de nauwkeurigheid van simulaties voor systemen zoals Ni en Fe1-xOx onder extreme omstandigheden verbetert.
Deze studie toont aan dat CsPbBr3-kwantumdot-superroosters bij kamertemperatuur collectief knipperen en fotonbundeling vertonen door exciton-migratie naar lokale energievalkuilen, wat hen tot een veelbelovend platform maakt voor schaalbare quantumfotonische technologieën.
Deze studie presenteert een analytisch oplosbaar model en een numerieke methode op basis van *ab initio* spin-Hamiltonianen om de intrinsieke Gilbert- en niet-Gilbert-demping van magnonen in magnetische isolatoren te berekenen, waarbij wordt aangetoond dat de dempingsmechanismen sterk afhangen van de dimensie en dat de bevindingen gelden voor zowel bulk YIG als een monolaag CrSBr.
Dit onderzoek biedt impuls-opgeloste bewijzen voor dynamische correlaties tussen hoog- en laag-spin Co-toestanden in LaCoO door middel van een anomalie zachte zuurstof-phonon die specifiek is gelokaliseerd bij de golfvector die overeenkomt met de voorgestelde spin-toestandordening.
In deze studie wordt een nieuwe familie van 2D kagome-monolagen op basis van boor en zwavel ontworpen die door oppervlaktepassivatie en halogeen-substitutie tunbare Dirac-cones op het Fermi-niveau vertonen met hoge Fermi-snelheden en een door spin-baan-koppeling geopende bandgap, wat veelbelovend is voor toekomstige elektronische toepassingen.
Dit artikel introduceert MAD-1.5, een hoogwaardig en consistent dataset voor universeel atomaire machine learning dat de chemische ruimte uitbreidt tot 102 elementen via een gestandaardiseerde r²SCAN-DFT-workflow, en de effectiviteit ervan demonstreert met de training van de nauwkeurige PET-MAD-1.5 potentiaal.