2756 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.
Door machine learning-classificators te combineren met metadynamica-simulaties, toont deze studie aan dat de selectie van specifieke polymorfen in Zn(imidazolaat)-metaal-organische kaders al op het stadium van pre-nucleatieclusters wordt bepaald, wat de aanname uitdaagt dat polymorfe selectie pas later in het syntheseproces plaatsvindt.
Dit artikel rapporteert de eerste realisatie van sterke koppeling tussen gekwantiseerde magnonmodi in een sub-10-micron YIG-microplaatje en microgolf-fotonen in een supergeleidende resonator, bereikt door middel van gefocuste ionenbundelfabricage en mogelijk makend efficiënte on-chip studies bij ultralage ingangsvermogens.
NIMS-OS is een open-source Python-bibliotheek en GUI-toepassing die volledig geautomatiseerde, gesloten-lus materiaalverkenning mogelijk maakt door diverse AI-algoritmen te integreren met robotische experimentele systemen, zoals NAREE, om autonoom nieuwe materialen zoals elektrolyten te ontdekken.
Deze bachelorthese maakt gebruik van dichtheidsfunctionaaltheorie-berekeningen om de intrinsieke en magnetische eigenschappen van Nd-gesubstitueerde ThMn-type verbindingen met Zr en Ti te onderzoeken, waarbij veelbelovende Nd-arme quaternaire materialen worden geïdentificeerd als potentiële alternatieven voor schaarse zeldzame-aardemagneten.
Dit artikel introduceert aLLoyM, een fijngefineerd groot taalmodel getraind op data van legeringsfase-diagrammen dat de voorspellingnauwkeurigheid voor meerkeuzevragen aanzienlijk verbetert en de nieuwe capaciteit demonstreert om fase-diagrammen te genereren op basis van componentbeschrijvingen, waardoor de ontdekking van materialen wordt versneld.
Dit artikel presenteert een systematische studie die nieuwe en gegeneraliseerde grensrelaties vaststelt tussen diverse elektronische eigenschappen—zoals elektronendichtheid, effectieve massa, orbitale magnetisatie en Chern-invarianten—in zowel metalen als isolerende magnetische kristallen, geïllustreerd aan de hand van modelsystemen en geanalyseerd via optische absorptiespectra.
Deze studie vestigt Hexa-graphyne (HXGY) als een stabiele, transparante, semimetaalachtige 2D-koolstofallotroop met unieke mechanische zachtheid en onderscheidende optische eigenschappen, waarbij het aanzienlijke potentieel voor nanoelektronische en opto-elektronische toepassingen wordt benadrukt.
Deze studie stelt vast dat ultrazuivere RuO-enkelkristallen een zwakgecorreleerde 3D-Fermivloeistoftoestand vertonen met een karakteristieke temperatuurafhankelijke magnetische susceptibiliteit die wordt gedreven door versterkte orbitale bijdragen als gevolg van roosterexpansie, waardoor aanhoudende debatten over de magnetische aard ervan worden opgelost.
Dit artikel presenteert een uitgebreide benchmark die een door GPU-versnelling ondersteunde finite-difference faseveldcode (GPU-PF) vergelijkt met een door CPU-parallelisatie ondersteunde finite-element adaptief-netcode (PRISMS-PF) voor het simuleren van directionele solidificatie van Al-Cu- en SCN-kamferlegeringen onder experimenteel relevante omstandigheden, waarbij hun nauwkeurigheid in het voorspellen van dendrietenmorfologie en tipdynamiek wordt gevalideerd en hun rekenprestaties worden geëvalueerd ter ondersteuning van geïntegreerde computationele materiaaltechnologie-workflows.
Dit artikel introduceert een op fysische principes gebaseerd Bayesiaans actief leerframework dat een Langmuir-adsorptiemodel integreert met een tweestapsstrategie voor parameterschatting om atoomlaagdepositie-pulstijden autonoom en efficiënt af te stemmen, wat resulteert in snellere convergentie, hogere voorspellingsnauwkeurigheid en aanzienlijk minder precursorverbruik in vergelijking met standaard datagedreven benaderingen.