2692 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 aan dat het deponeren van een siliciumdioxide-afdekkende laag van minder dan 1 nm selectieve areaal moleculaire bundelepitaxie van III-V halfgeleiders op zeer reactieve of niet-selectieve maskermaterialen zoals en $HfO_2 mogelijk maakt, waardoor de optische beperkingen van traditionele maskers worden overwonnen zonder hun spectrale prestaties te verslechteren.
Dit artikel stelt een universele uitdrukking voor de domeinwandbreedte in multi-sublattice Heisenberg-magneten door een exacte verbinding te vestigen tussen het domeinwandprofiel en de langgolflengte spingolfdispersie, een kader dat breedtes accuraat voorspelt over diverse magnetische ordeningen en roosterstructuren heen, terwijl het een microscopische fundering biedt voor hun temperatuurafhankelijkheid.
Het artikel introduceert DPA4, een nieuwe SE(3)-equivariante interatomaire potentieelarchitectuur met een EMFA SO(2)-equivariante convolutie en compiler-vriendelijke trainingsoptimalisaties die een state-of-the-art nauwkeurigheid bereiken met aanzienlijk lagere parameters en trainingskosten, waarmee een nieuwe nauwkeurigheid-kosten Pareto-front wordt gevestigd voor grote atomistische modellen.
Dit artikel introduceert Langevin Speculative Dynamics (LSD), een gedistribueerde en model-agnostische speculatieve samplingsmethode die moleculaire dynamica-simulaties met 3–9x versnelt door gebruik te maken van een snel conceptmodel en parallelle verificatie zonder relatieve fouten te introduceren of de nauwkeurigheid van de distributie van het doelmodel in gevaar te brengen.
Met behulp van cryogene scanning transmissie-elektronenmicroscopie hebben onderzoekers de lage temperatuurstructuur van de kwantum-paraelektrische SrTiO3 direct in beeld gebracht, waarbij werd onthuld dat de nanoschaal polaire domeinen zich aanvankelijk organiseren in een periodieke structuur voordat ze fragmenteren in kleine clusters wanneer het materiaal onder de 40 K het kwantum-paraelektrische regime betreedt.
Dit artikel benchmarkt Tensor Train-operaties op CPU's, GPU's en TPU's met behulp van JAX om een quantum-geïnspireerd SFFT-gebaseerd homogenisatie-algoritme aan te passen en te versnellen, waarmee succesvol hoogresolutie multiscale simulaties mogelijk worden gemaakt die variëren van 300 miljoen tot 70 miljard roosterpunten, wat onhaalbaar is met traditionele GPU-gebaseerde FFT-methoden.
Door dispersie-gecorrigeerde dichtheidsfunctionaaltheorie te combineren met natuurkundig geïnformeerd machine learning, verheldert deze studie de zwaveladsorptie- en vergiftigingsmechanismen over 30 overgangsmetaal 13-atoom ikosaëdrische clusters, waarbij de Ti-Zr-Hf isoelektronische triade wordt geïdentificeerd als een gebalanceerde groep voor het ontwerpen van zwaveltolerante subnanometer katalysatoren.
Het artikel introduceert ELECTRAFI, een snel en differentieerbaar model dat periodieke ladingsdichtheden in kristallijne materialen voorspelt door gebruik te maken van gesloten vorm Fourier-transformaties van anisotrope Gaussians om een state-of-the-art nauwkeurigheid te bereiken met een tot 633 keer snellere inferentie, waardoor de totale computationele kosten van DFT-berekeningen aanzienlijk worden verminderd.