4395 artigos
A área de Física da Matéria Condensada e Ciência dos Materiais investiga como os átomos se organizam para criar as propriedades que definem o mundo ao nosso redor, desde a condutividade de um fio até a flexibilidade de um novo polímero. É um campo onde a descoberta teórica se transforma rapidamente em tecnologias que moldam nosso dia a dia.
No Gist.Science, acompanhamos diariamente os novos preprints dessa categoria vindos diretamente do arXiv. Nossa equipe processa cada publicação para oferecer resumos técnicos detalhados e explicações em linguagem acessível, garantindo que os avanços mais recentes sejam compreensíveis para todos os níveis de conhecimento.
Abaixo, você encontrará a lista atualizada das pesquisas mais recentes publicadas nesta intersecção fascinante entre física e engenharia.
Este artigo propõe a diferenciação esparsa automática truncada para computar eficientemente derivadas de ordem superior para potenciais interatômicos de aprendizado de máquina ao explorar a localidade física para descartar interações de longo alcance negligenciáveis, alcançando acelerações de ordens de magnitude com impacto mínimo nos observáveis preditos.
Este estudo emprega cálculos de aglomerados embutidos relativísticos multiconfiguracionais para demonstrar que a supressão do altermagnetismo no em volume decorre da preservação da quase-degenerescência orbital sob simetria quase-tetragonal, o que inibe a ordem quadrupolar local necessária para o desdobramento de spin.
Este artigo demonstra que o ordenamento de Al/Li em sítios específicos em ferrites de espinélio cria um estado ferrimagnético isolante com o suprimimento da densidade de estados do nível de Fermi, enquanto cálculos *ab initio* revelam que a interseção dos modos de magnons de baixa frequência e fonons acústicos impulsiona uma forte hibridização, oferecendo um caminho microscópico para minimizar o amortecimento magnético para tecnologias magnônicas de baixa perda.
Este artigo estabelece uma estrutura diagramática de primeiros princípios demonstrando que interações não lineares de um elétron-dois fônons, ao contrário de acoplamentos lineares, renormalizam as frequências dos fônons em toda a zona de Brillouin com uma dependência de temperatura distinta, um fenômeno quantificado em semicondutores polares como LiF e KTaO e aplicável a materiais com fortes flutuações de rede.
Este artigo apresenta um pipeline de aprendizado ativo de ciclo fechado que retreina iterativamente em dados de simulação química quântica para superar as limitações de generalização de modelos estáticos, gerando com sucesso moléculas sintetizáveis com propriedades que excedem significativamente a distribuição original de treinamento.
Este artigo apresenta o BOOM, o primeiro benchmark de código aberto quimicamente informado para avaliar sistematicamente a generalização fora da distribuição (OOD) na previsão de propriedades moleculares, revelando que os modelos atuais de aprendizado de máquina têm dificuldade em extrapolar além de seus dados de treinamento e destacando a necessidade de novas abordagens para alcançar um desempenho robusto de OOD.
Este artigo apresenta classificadores de aprendizado de máquina treinados em dados do MAGNDATA validados experimentalmente que alcançam mais de 92% de precisão na identificação de estados fundamentais magnéticos, corrigindo efetivamente o viés ferromagnético sistemático encontrado em bases de dados de grande escala do Materials Project e permitindo uma triagem de alto rendimento mais confiável de materiais magnéticos.
O artigo apresenta o ADAPT, um campo de força de aprendizado de máquina leve e livre de grafos que utiliza uma arquitetura baseada em Transformer para modelar explicitamente todas as interações atômicas pareadas, alcançando erros de previsão e custos computacionais significativamente menores do que as redes neurais de grafos de última geração para simular defeitos pontuais de silício.
Este estudo relata a deposição por laser pulsado e a caracterização de filmes de granada de lutécio e ferro substituídos por bismuto (LuBiIG), que exibem uma constante de Verdet excepcionalmente alta de até -1,37 × 10⁸ graus/metro/Tesla na faixa visível, estabelecendo-os como materiais promissores para sensoriamento magnético avançado e aplicações quânticas híbridas.
Esta tese apresenta um framework de IA unificado que aproveita o aprendizado de representação de grafos, o pré-treinamento multimodal e a modelagem generativa guiada por texto para prever eficientemente propriedades de cristais e gerar materiais estáveis e controláveis, acelerando assim a descoberta ao mesmo tempo em que reduz a dependência de métodos computacionais caros e grandes conjuntos de dados rotulados.