3309 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 apresenta uma estrutura de design inverso para estruturas de kirigami anisotrópicas que utiliza frustração geométrica controlada e implantação induzida por instabilidade para alcançar capacidades de morfismo de forma bistáveis, programáveis, estáveis e ajustáveis, validadas por meio de simulações e experimentos.
Este artigo introduz uma estrutura de Lippmann-Schwinger para modelar o espalhamento de dois magnons a partir de potenciais de defeitos fracos, demonstrando que o espalhamento é determinado pela sobreposição entre perturbações de campo efetivo e estados de onda de spin degenerados, estabelecendo assim um vínculo entre a orientação cristalográfica e o alargamento da largura de linha magnética em filmes de granada de ferro.
Este artigo desenvolve uma estrutura hamiltoniana restrita para quantificar a hibridização fônon-magnon em CrI e CrBr, revelando uma mistura significativa (até 25% em CrBr) e demonstrando como o momento angular total é conservado enquanto é compartilhado entre os subsistemas fônico e magnônico hibridizados.
Este artigo avalia quatro ferramentas de código aberto para gerar empacotamentos de partículas de pó 2D/3D representativos em relação aos padrões industriais, revelando que, embora os códigos de Método de Elemento Discreto (DEM) alcancem as maiores densidades de empacotamento, algoritmos sequenciais de queda e rolagem oferecem uma alternativa computacionalmente eficiente com precisão aceitável para muitas aplicações.
Este artigo introduz um método de teoria do funcional da densidade com restrição de ocupação e de evitamento de banda (ba-occ-DFT) que supera o problema do gap de banda zero em semicondutores de gap estreito como o arsenieto de índio (InAs), permitindo previsões precisas de níveis de defeitos atômicos apesar da falha do DFT padrão em reproduzir o gap de banda experimental.
Este artigo apresenta uma estrutura de inversão bayesiana rápida e livre de substitutos para refletometria de nêutrons que aproveita gradientes exatos para permitir métodos de Monte Carlo de Hamiltonian e Inferência Variacional altamente eficientes, oferecendo velocidades de quantificação de incerteza e robustez de estado da arte para amostras complexas sem sacrificar a intuição física.
O artigo propõe a Coordination Polyhedron Graph Network (CPGN), uma rede neural de grafos multiescala que modela explicitamente os níveis atômico, de ligação e de poliedro de coordenação com atenção cruzada bidirecional para alcançar precisão de estado da arte na previsão de propriedades de cristais ao capturar unidades estruturais fundamentais frequentemente negligenciadas por modelos existentes.
Este artigo apresenta uma estrutura de Monte Carlo cinético baseada em rede, flexível e escalável, para simular a epitaxia de feixe molecular de GaN que integra catálogos de energia de ativação predefinidos com avaliações de barreira adaptativas, aprendidas por máquina e em tempo real, para modelar com precisão fenômenos de crescimento complexos, tais como formação de ilhas, amadurecimento de Ostwald e caminhada de ilhas induzida por temperatura.
Mandala é um framework de rede neural de grafos modular e E(3)-equivariante que preenche a lacuna entre o aprendizado de máquina e os cálculos de estrutura eletrônica ao aprender operadores quânticos de esparsidade em blocos para prever diretamente observáveis eletrônicos, como estruturas de bandas e densidades de estados, complementando, assim, os potenciais interatômicos tradicionais de aprendizado de máquina.
Este artigo introduz uma estrutura livre de parâmetros e baseada em primeiros princípios, fundamentada na dinâmica de Green-Kubo não perturbativa, que prevê com precisão o transporte de carga em semicondutores moleculares através de diversos regimes, contesta o mecanismo microscópico predominante para o DNTT ao atribuir a localização transitória ao desordem correlacionada no sítio, e identifica a família dos fenacenos como uma direção promissora para materiais de alta mobilidade.