🔬 materials science
Exchange scaling of ultrafast angular momentum transfer in 4 antiferromagnets
通过将时间分辨软 X 射线衍射与从头算计算相结合，本研究表明，4f 反铁磁体中超快角动量转移的速率直接由 RKKY 相互作用的大小决定，从而为通过改变 4f 占据数来微调磁性器件的速度提供了一条新途径。
🔬 Category
cond-mat.mtrl-sci
3580 篇论文
凝聚态物理与材料科学的交汇点，正以前所未有的速度重塑我们对物质世界的理解。从超导体到新型电池材料，这一领域致力于探索微观粒子的排列如何决定宏观世界的性能。Gist.Science 在此板块特别关注源自 arXiv 的最新预印本，它们代表了该领域最前沿的突破。
为了打破专业壁垒，我们团队会对 arXiv 上的每一份新论文进行深度处理，提供通俗易懂的通俗解读与详尽的技术摘要。无论您是寻求灵感的工程师，还是希望快速掌握动态的研究者，都能在这里找到清晰的路径。以下是该领域最新发布的论文精选，带您直击科学探索的最前线。
🔬 materials science
Spin current relaxation time in thermally evaporated naphthyl diamine derivative films
该研究通过结合自旋泵浦诱导输运与电学性质，评估了热蒸发 a-NPD 薄膜中的自旋电流弛豫时间，估算出约 1.9 微秒的室温值，证实了该材料在实际自旋电子学应用中的潜力。
🔬 materials science
Ab initio self-trapped excitons
本文介绍了一种结合贝特-萨尔皮特方程（Bethe-Salpeter equation）与微扰理论的第一性原理计算框架，用于模拟绝缘体和半导体中的自陷激子、晶格畸变及相关的光学性质，并通过其在三卤化铬和氧化铍上的有效性，为未来的实验研究提供指导。
🔬 materials science
Element-specific ultrafast lattice dynamics in monolayer WSe2
通过超快电子衍射技术，该研究揭示了单层 WSe₂ 中特定元素的原子振动，以绘制非热晶格演化图谱，并确定长寿命的光学声子过剩是关键的能量转移机制。
🔬 materials science
Accurate and efficient protocols for high-throughput first-principles materials simulations
本文介绍了标准固态协议（Standard Solid-State Protocols, SSSP），这是一种严谨的方法论和开源工具包，旨在自动选择最优的密度泛函理论（DFT）模拟参数，以在高通量材料发现过程中平衡数值精度与计算效率。
🔬 materials science
Metallic solid-state hydrogen storage crystals achieved through chemical precompression under ambient conditions
本文报道了一种通过在环境条件下将氢原子化学预压缩在 C20 富勒烯笼内而形成的稳定、金属态固态储氢晶体（H9@C20）的发现，其氢密度超过了固态氢，为高密度储氢提供了一条极具前景的途径。
🔬 materials science
Size Dependent Ternary Halide Solid Solutions in Perovskite Nanocrystals
通过高通量合成与计算模拟，本研究表明，减小三元卤化物钙钛矿纳米晶的尺寸可以提高氯:溴:碘混合物的溶解度极限，从而稳定固溶体、抑制缺陷并防止卤素偏析。
🔬 materials science
Solvation Restructuring Accelerates Early SEI Nucleation in Lithium Metal Batteries
本研究表明，增加DMC电解液中LiTFSI的浓度可以重构溶剂化壳层，从而促进富含阴离子的接触离子对的形成，这与传统电解液相比，能够加速SEI的早期成核并产生更致密、富含无机物的界面。
🔬 materials science
Standard model of electromagnetism and chirality in crystals
本文提出了一种关于晶体中电磁学与手性的通用定量理论，该理论利用对称性原理以及空间反演与时间反演之间的形式类比，建立了五种类型多极极化与五种类型手性的全面分类，从而将铁电性和对映异构性等概念扩展到了量子材料中的高阶项。
🔬 materials science
Probing out-of-distribution generalization in machine learning for materials
这项研究表明，材料科学机器学习中常见的启发式评估往往高估了泛化能力和神经缩放带来的益处，因为它们主要测试的是训练域内的插值，而非真正的分布外外推，而在后者中，增加数据或模型规模会产生递减或不利的回报。