2608 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 demonstra que a engenharia de gradiente composicional em filmes ultrafinos de AlScN mitiga a fuga e a ruptura ao distribuir descontinuidades estruturais, permitindo, assim, a comutação ferroelétrica robusta em pilhas de apenas 5 nm com resistividade e polarização significativamente aprimoradas em comparação com contrapartes homogêneas.
Este artigo avalia sete estratégias de ajuste fino para modelos de fundação de potenciais interatômicos aprendidos por máquina (MLIP) através de diversos benchmarks químicos, revelando que, embora pré-requisitos como a qualidade do modelo de fundação e a inicialização de energia correta sejam primordiais, o ajuste fino ingênuo é ideal para a precisão em sistemas únicos, enquanto o replay multihead preserva unicamente a robustez fora da distribuição para uma implantação mais ampla.
Este artigo propõe uma estrutura unificada que vincula a estrutura eletrônica à ductilidade intrínseca ao identificar a amorfização por cisalhamento como um critério de fratura de menor energia do que a nucleação de discordâncias, permitindo, assim, previsões precisas de ductilidade e transições dúctil-frágil para metais puros e ligas de múltiplos elementos principais.
Este artigo alerta que potenciais interatômicos de aprendizado de máquina treinados em dados de DFT baseados em PBE predizem incorretamente a estrutura do estado fundamental de HfO devido à tendência do funcional em superestabilizar fases de baixa densidade, uma falha que pode ser mitigada pelo uso de funcionais alternativos como PBEsol ou LDA.
Este estudo revela que a introdução de magnésio em anodos de metal lítio induz uma decomposição espinodal condicional entre as fases ordenadas B2 e -BCC rica em Li, criando uma microestrutura contínua e interconectada que facilita a difusão rápida de lítio e suprime a formação de dendritos em altas densidades de corrente.
Este estudo emprega uma abordagem inovadora combinando imagens de fotoluminescência, simulações de drift-difusão e inferência bayesiana para mapear a degradação espacialmente não uniforme de células solares de perovskita, distinguindo com sucesso entre defeitos de bulk e de interface e demonstrando que a passivação por amino-silano suprime efetivamente a degradação interfacial.
Utilizando microscopia crioconfocal e velocimetria de imagem de partículas, este estudo revela que a expansão volumétrica, em vez dos fluxos de Marangoni, domina o movimento do fluido ao redor de bolhas durante a solidificação direcional, desafiando modelos teóricos existentes e oferecendo novos insights para o controle da distribuição de bolhas em materiais solidificados.
Este estudo demonstra que a dopagem com ferro em cristais de GaSe introduz centros de defeitos opticamente e magneticamente ativos, identificados através de espectroscopia de fotoluminescência dependente de potência, temperatura e campo magnético como excitons ligados ao Fe com fatores g distintos, oferecendo, assim, novos insights para aplicações magneto-optoeletrônicas e fotônicas quânticas.
Este artigo introduz uma representação de impressão digital eletrônica de simetria (SEF) que, ao integrar a simetria cristalográfica e a estrutura eletrônica resolvida por sítio, permite que modelos de aprendizado de máquina predigam com precisão propriedades magnéticas em materiais 2D, utilizando de forma única a incerteza do modelo como uma ferramenta de diagnóstico para identificar e caracterizar fases magnéticas competitivas e frustração.
Este artigo demonstra que a combinação da análise cepstral com simulações de Green-Kubo e potenciais aprendidos por máquina fornece uma estrutura robusta, automatizada e eficiente para prever com precisão a condutividade térmica de redes metalorgânicas, ao superar o ruído estatístico e a sensibilidade de parâmetros inerentes aos métodos convencionais.