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.
Dit onderzoek toont aan dat het negeren van foutieve imaginaire fononmodi in berekeningen van Metal-Organic Frameworks (MOFs) leidt tot aanzienlijke fouten in de schatting van thermische eigenschappen, en introduceert een nieuwe workflow om deze fouten efficiënt te corrigeren.
Dit artikel introduceert RADII, een nieuwe benchmark die systematisch onderzoekt hoe de kwaliteit van generatieve modellen voor kristallijne materialen afneemt wanneer zij structuren genereren die groter zijn dan de trainingsdata (de zogenaamde 'extrapolatie-frontier').
Dit artikel onderzoekt hoe de opkomst van AI en verbonden apparaten een transitie naar edge computing-architecturen aanjaagt om aan ongekende computationele eisen te voldoen, waarbij de belangrijkste ontwerpen en metrieken worden geschetst die de volgende generatie intelligente sensorsystemen zullen vormgeven.
Dit artikel herformuleert de macroscopische Young-vergelijking op moleculaire grondslag met behulp van een universele bevochtigingscoëfficiënt afgeleid van de intrinsieke waterstofbrugenergieën van water, waardoor bevochtiging wordt onthuld als een emergente eigenschap van water zelf en een voorspellend kader wordt vastgesteld dat bevochtiging, adhesie en cavitatie over diverse oppervlakken heen verenigt.
Dit artikel gebruikt numerieke simulaties om aan te tonen dat, terwijl discrete dislocatiedynamica-modellen met annihilatieregels consistent convergeren naar een PDE die annihilatie verwerkt, modellen zonder botsingsregels inconsistent convergentiegedrag vertonen, wat het cruciale belang van het zorgvuldig behandelen van dislocatiebotsingen in dergelijke simulaties benadrukt.
Dit artikel introduceert een nieuwe symmetrie-bewuste padding-methode die informatie over Wyckoff-posities integreert in encoder-architecturen om de nauwkeurigheid, stabiliteit en efficiëntie van generatieve modellen voor het ontwerpen van diverse anorganische materialen aanzienlijk te verbeteren, waarbij opmerkelijke verbeteringen worden bereikt in reconstructienauwkeurigheid en de generatie van nieuwe stabiele verbindingen.
Deze studie rapporteert de ontdekking van gemakkelijk verzadigbare en anisotrope magnetostrictie in de prototypische altermagneet MnTe, een bevinding die traditionele opvattingen over antiferromagnetische magnetostrictie uitdaagt door een symmetrie-toegestane koppeling tussen elastische rek en de Néel-ordeparameter te onthullen.
Dit artikel stelt een symmetrie-geconstrueerde regel vast voor licht-polarisatie-robuuste magnetisatie in antiferromagnetische systemen en demonstreert door middel van theorie en berekeningen dat spiraalvormige spinstructuren, in tegen we handful van collinear antiferromagneten, ultrasnelle, polarisatie-onafhankelijke spinmanipulatie mogelijk maken via real-space demagnetisatie en rotatie.
Deze studie toont aan dat het combineren van chloorsubstitutie en heliumionenbestraling in de tweedimensionale magnetische halfgeleider CrSBr lokale symmetriebreking en defectgerelateerde verstrooiing induceert, wat gezamenlijk de anisotrope Raman-spectra reconstrueert terwijl een robuuste resonantie-versterkte elektron-fononkoppeling behouden blijft.
Dit artikel presenteert een zelfevoluerend kinetisch Monte Carlo-raamwerk dat machine learning-modellen dynamisch on-the-fly traint om efficiënt atomaire diffusiesnelheden te voorspellen voor dunnefilm-groeisimulaties, waarbij een hoge computationele efficiëntie en nauwkeurigheid wordt bereikt door dure berekeningen te vervangen door onzekerheidsgeleerd leren, zoals aangetoond in Ag/Ag{111} submonolaag-groei.