2732 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 presenteert een autonoom raamwerk voor scanning probe-microscopie dat symbolische regressie integreert met grote taalmodellen om nieuwe fysische hypothesen te genereren en te evalueren uit schaarse experimentele data, waarbij succesvol interpreteerbare spannings-tijd groeiwetten voor ferro-elektrische domeinschakeling worden ontdekt zonder vooraf gespecificeerde modellen.
Dit artikel ontwikkelt een verenigde niet-adiabatische theorie voor fononmagnetische momenten in zowel isolatoren als metalen met behulp van een gauge-covariante Wigner-expansie, die de experimenteel waargenomen grote magnetische momenten in PbSnTe succesvol verklaart door aanzienlijke bijdragen van Fermi-oppervlakteprocessen en resonante interbandovergangen buiten het adiabatische limiet aan het licht te brengen.
Dit artikel introduceert een door fysica geïnspireerd deep learning-framework dat hoogdimensionale elektronische ladingsdichtheidsdata comprimeert tot een compacte latente representatie, waardoor snelle en nauwkeurige voorspelling mogelijk wordt van belangrijke mechanische en thermodynamische eigenschappen voor duizenden anorganische verbindingen met slechts een fractie van de rekenkracht die traditionele DFT-berekeningen vereisen.
Het artikel introduceert PFNet, een door natuurkunde geïnformeerd neuraal operatorframework dat de evolutie van microstructuren efficiënt en nauwkeurig voorspelt over diverse parameters en materialsystemen door het leren van conditionele evolutieoperatoren in plaats van directe correlaties.
Deze studie combineert cryogene niet-contact atoomkrachtmicroscopie en dichtheidsfunctionaaltheorie om te onthullen hoe wateradsorptie op het wollastoniet (100)-oppervlak overgaat van roostervolgende patronen naar complexe coëxisterende structuren en uiteindelijk naar waterclusters naarmate de bedekking toeneemt, gedreven door de competitie tussen water-oppervlak- en water-water-interacties.
Deze studie toont aan dat het aanbrengen van een extern magnetisch veld op Ni-Fe-oxyhydroxiden de intrinsieke schaalrelaties van intermediaire stoffen van de zuurstofontwikkelingsreactie verlicht door spin-roosterkoppeling te moduleren, waardoor adaptieve adsorptie mogelijk wordt en de overpotentiaal wordt verlaagd via structurele flexibiliteit aan het interface.
Deze studie maakt gebruik van röntgentopografie en reticulografie om dislocatiearrays en domeingrenzen te karakteriseren in (011)-georiënteerde verticale Bridgman -GaO-substraten, waarbij hun specifieke kristallografische oriëntaties worden blootgelegd en kritieke inzichten worden geboden in defectvorming die relevant is voor epitaxiale groei en apparaatprestaties.
Deze studie stelt experimenteel vast dat CrRhAs een sterk gecorreleerde kagome-metaal is met een niet-collineaire antiferromagnetische structuur met een voortplantingsvector van (1/3, 1/3, 1/2) en anomalie multiband-transporteigenschappen, waarbij een ferromagnetische koppeling tussen tweede-naaste buren wordt blootgelegd die in strijd is met eerdere theoretische voorspellingen.
Deze studie introduceert een raamwerk voor facet-opgeloste adsorptie-energieverdeling dat gebruikmaakt van machine-geleerde krachtenvelden om 1,4 miljoen adsorptieplaatsen op diverse legeringsoppervlakken te analyseren, waardoor specifieke samenstellingen en oriëntaties worden geïdentificeerd die zowel activiteit als methanolselectiviteit voor CO-hydrogenering optimaliseren.
Deze studie toont aan dat de schaalbare RAINBOW-spectrale splitsingsarchitectuur, die ternair gemengde subcellen gebruikt om bandgaten te optimaliseren en fabricage-uitdagingen te minimaliseren, de efficiëntie van organische fotovoltaïsche cellen kan verhogen van 12,9% bij enkelvoudige juncties naar 17,3% bij configuraties met drie juncties, waarmee de levensvatbaarheid ervan voor hoogpresterende, maakbare zonnecellen wordt bevestigd.