2608 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 artikel demonstreert dat compositionele gradiëntengineering in ultradunne AlScN-films lekken en doorslag vermindert door structurele discontinuïteiten te verdelen, waardoor robuuste ferroële schakeling mogelijk wordt in stacks van slechts 5 nm dik met een significant verbeterde resistiviteit en polarisatie vergeleken met homogene tegenhangers.
Dit artikel evalueert zeven fine-tuning-strategieën voor op machine learning gebaseerde interatomaire potentiaalmodellen (MLIP foundation models) over diverse chemische benchmarks, waarbij wordt onthuld dat hoewel randvoorwaarden zoals de kwaliteit van het foundation model en de correcte energie-initialisatie essentieel zijn, naïeve fine-tuning optimaal is voor nauwkeurigheid bij één enkel systeem, terwijl multihead replay uniek de robuustheid buiten de distributie (out-of-distribution) behoudt voor bredere implementatie.
Dit artikel stelt een verenigd kader voor dat de elektronische structuur koppelt aan intrinsieke ductiliteit door afschuivingsamorfisatie te identificeren als een breukcriterium met een lagere energie dan dislocatie-nucleatie, waardoor nauwkeurige voorspellingen van ductiliteit en ductiel-bros overgangen mogelijk worden voor zowel pure metalen als multi-principale-element legeringen.
Dit artikel waarschuwt dat machine learning-interatomaire potentialen getraind op PBE-gebaseerde DFT-data de grondtoestandsstructuur van HfO onjuist voorspellen vanwege de neiging van de functionele om laag-densiteitsfasen te overstabiliseren, een gebrek dat kan worden gemitigeerd door alternatieve functionalen zoals PBEsol of LDA te gebruiken.
Deze studie onthult dat het introduceren van magnesium in lithiummetalen anodes een conditionele spinodale ontbinding induceert tussen geordende B2- en Li-rijke -BCC-fasen, wat een continu onderling verbonden microstructuur creëert die snelle lithiumdiffusie faciliteert en dendrietvorming bij hoge stroomdichtheden onderdrukt.
Deze studie maakt gebruik van een innovatieve benadering die fotoluminescentie-imaging, drift-diffusie-simulaties en Bayesiaanse inferentie combineert om de ruimtelijk niet-uniforme degradatie van perovskiet-zonnecellen in kaart te brengen, waarbij succesvol onderscheid wordt gemaakt tussen bulk- en interface-defecten en wordt aangetoond dat amino-silaan-passivatie de interface-degradatie effectief onderdrukt.
Met behulp van cryo-confocale microscopie en particle image velocimetry onthult deze studie dat volumetrische expansie, in plaats van Marangoni-stromingen, de vloeistofbeweging rond bellen tijdens directionele stolling domineert, wat bestaande theoretische modellen uitdaagt en nieuwe inzichten biedt voor het beheersen van de bubbelverdeling in gestolde materialen.
Deze studie toont aan dat ijzerdotering in GaSe-kristallen optisch en magnetisch actieve defectcentra introduceert, geïdentificeerd via vermogens-, temperatuur- en magnetisch veld-afhankelijke fotoluminescentiespectroscopie als Fe-gebonden excitonen met onderscheidende g-factoren, waardoor nieuwe inzichten worden geboden voor magneto-opto-elektronische en kwantumfotonische toepassingen.
Dit artikel introduceert een symmetrie-elektronische vingerafdruk (SEF)-representatie die, door kristallografische symmetrie en site-opgeloste elektronische structuur te integreren, machine learning-modellen in staat stelt om magnetische eigenschappen in 2D-materialen nauwkeurig te voorspellen, terwijl het uniek gebruikmaakt van modelonzekerheid als diagnostisch instrument om concurrerende magnetische fasen en frustratie te identificeren en te karakteriseren.
Dit artikel으로 toont aan dat het combineren van cepstrale analyse met Green-Kubo-simulaties en machine-learned potentialen een robuust, geautomatiseerd en efficiënt kader biedt voor het nauwkeurig voorspellen van de thermische geleidbaarheid van metaal-organische raamwerken door de statistische ruis en parametersensitiviteit die inherent zijn aan conventionele methoden te overwinnen.