4452 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 o descasamento de dimensionalidade em materiais quase unidimensionais, tais como SnS e SbTeI, permite o desacoplamento espacial do transporte de calor e carga ao suprimir a condutividade térmica de rede transversal enquanto mantém o transporte eficiente de lacunas entre cadeias, resultando em uma alta figura de mérito termoelétrica () para o SbTeI.
Ao triar quase um bilhão de estruturas moleculares, este estudo estabelece uma hierarquia de motivos quantitativa e interpretável onde os grupos nitrila servem como o motivo primário de solvatação de lítio assistido por éteres sob restrições específicas, permitindo a geração de candidatos a eletrólitos fluorados de alto desempenho que mantêm camadas de solvatação estáveis sem deslocar o carbonato de etileno.
Este estudo estabelece uma correlação entre as propriedades mecânicas e as características microestruturais da liga de NiTi sinterizada por Spark Plasma Sintering, demonstrando como a temperatura de sinterização influencia a porosidade, a transformação de fase e a superelasticidade para otimizar o material para aplicações avançadas de engenharia.
Este artigo argumenta que, embora a computação quântica ofereça um paradigma transformador para simular moléculas e materiais ao lidar diretamente com a correlação eletrônica e paisagens de energia complexas, seu verdadeiro valor científico depende não meramente da escalabilidade de qubits, mas de alcançar reduções demonstráveis na incerteza preditiva por meio da integração disciplinada com fluxos de trabalho clássicos em várias etapas do desenvolvimento de hardware.
Este estudo emprega aprendizado de máquina combinado com cálculos de primeiros princípios para mapear as posições sintonizáveis das bordas de banda de soluções sólidas de pnictogênio calcogenoaleto em toda a sua faixa composicional e terminações de superfície, identificando formulações específicas adequadas para diversas aplicações de energia solar e revelando que a seleção de facetas é um parâmetro de design crítico comparável à substituição química.
Ao combinar aprendizado de máquina com métodos de síntese rápidos e sustentáveis, este estudo revela e valida 16 novos MXenes multicamadas — incluindo 11 variantes baseadas em terras raras — expandindo significativamente o espaço químico conhecido desta família de materiais.
Este estudo demonstra que modelos de vórtice analíticos podem reduzir eficazmente dados de espalhamento de nêutrons de pequeno ângulo magnéticos polarizados de nanoflores de óxido de ferro policristalinas para um pequeno conjunto de descritores de textura, revelando que o acoplamento de troca entre grãos e a coerência do eixo de anisotropia governam distintamente as características radiais e orientacionais dos estados de vórtice magnético, respectivamente.
Este artigo apresenta uma teoria geral e quantitativa do eletromagnetismo e da quiralidade em cristais que utiliza princípios de simetria e uma analogia formal entre inversões de espaço e tempo para estabelecer classificações abrangentes de cinco tipos de polarizações multipolares e cinco tipos de quiralidade, estendendo, assim, conceitos como ferroeletricidade e enantiomorfismo para ordens de posto superior em materiais quânticos.
Este estudo revela que as avaliações heurísticas comuns em aprendizado de máquina para ciência dos materiais frequentemente superestimam a generalização e os benefícios do escalonamento neural porque testam primariamente a interpolação dentro do domínio de treinamento em vez da verdadeira extrapolação fora da distribuição, onde o aumento de dados ou do tamanho do modelo gera retornos decrescentes ou adversos.
Este artigo apresenta o LLM4Mat-Bench, o maior benchmark até o momento, composto por 1,9 milhão de estruturas cristalinas e 45 propriedades através de múltiplas modalidades de entrada, para avaliar sistematicamente e destacar as limitações de modelos de linguagem de grande porte, tanto de propósito geral quanto específicos para tarefas, na previsão de propriedades de materiais.