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

Influence of chemical ordering on magnetocrystalline anisotropy and magnetoelastic properties in Weyl magnetic semimetal Co2MnGa thin films

本研究表明,增加 Co2MnGa 薄膜中的化学有序度,特别是 L21 相的形成,显著增强了其磁晶各向异性和磁弹性特性,其中 L21 有序结构展现出不同于非外尔半金属对应物的巨磁弹性各向异性。

O. Chumak, A. Nabiałek, L. T. Baczewski, T. Seki, J. Wang, K. Takanashi, H. Szymczak2026-06-24
🔬 materials science

Active Learning Guided Computational Discovery of 2D Materials with Large Spin Hall Conductivity

本研究采用由机器学习和密度泛函理论引导的主动学习框架,旨在高效发现具有极高自旋霍尔电导率的二维材料,在识别出一个比初始基准有效近 23 倍的顶级候选材料的同时,阐明了支配自旋-电荷相互转换的关键原子与电子特征。

Abhijeet J. Kale, Sanjeev S. Navaratna, Pratik Sahu, Henry Chan, B. R. K. Nanda, Rohit Batra2026-06-24
🔬 materials science

Computational references are not experiments: pre-registered validation of machine-learned sodium-cathode voltages

本文表明,依赖于具有系统误差的计算推导参考值的机器学习钠正极电压筛选程序,在针对实验数据的预注册验证中失败,其原因在于参考值存在 0.54 V 的主导偏差而非模型本身的问题,这导致作者退役了该筛选程序并致力于开展新的校准审计。

Krishna Teja Vepa2026-06-24✓ Author reviewed
🔬 materials science

Interpretable Material Spatial Intelligence for Discovery of Governing Microstructural Features

本文介绍了材料空间智能(Materials Spatial Intelligence, MSI),这是一个可解释的机器学习框架,它直接从材料系统的多模态空间观测中学习,以预测宏观行为、识别主导微观结构特征,并实现机制驱动的微观结构优化。

Mathieu Calvat, Gregory Sparks, Dhruv Anjaria, Chris Bean, Haoren Wang, Paul Gradl, Timothy M. Smith, Allison M. Beese (…)2026-06-24