🔬 materials science
Speculative Sampling For Faster Molecular Dynamics
本文介绍了朗之文-斯派克特动力学（Langevin Speculative Dynamics, LSD），这是一种分布式且与模型无关的投机采样方法，通过使用快速草拟模型和并行验证，在不引入相对误差或损害目标模型分布准确性的情况下，将分子动力学模拟加速了 3–9 倍。
🔬 Category
cond-mat.mtrl-sci
4172 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
Effect of annealing in the formation of well crystallized and textured SrFeO films grown by RF magnetron sputtering
本研究表明，离位退火将最初由纳米晶磁铁矿和非晶氧化锶组成的生长态 SrFeO 薄膜，转化为结晶良好且具有 c 轴取向的锶铁氧体结构。
🔬 materials science
Spin-Polarisation measurement using NbN-Insulator-Ferromagnet Tunnel Junction with oxidized barrier
本文表明，通过使用带有氧化层势垒的简单两步工艺制备的 NbN-绝缘体-铁磁体隧道结，可以在高达 1.6 K 的温度下，利用 Meservey-Tedrow 技术可靠地测量铁磁体的自旋极化。
🔬 materials science
Nanoscale Polar Landscapes in Quantum Paraelectric SrTiO3
研究人员利用低温扫描透射电子显微镜技术，直接成像了量子铁电体 SrTiO3 的低温结构，揭示了其纳米级极化畴在进入 40 K 以下的量子铁电态之前，最初自组织成周期性结构，随后破碎成微小簇的过程。
🔬 materials science
Performance Benchmarking of Tensor Trains for accelerated Quantum-Inspired Homogenization on TPU, GPU and CPU architectures
本文通过使用 JAX 对 CPU、GPU 和 TPU 上的张量列（Tensor Train）运算进行基准测试，以适配并加速一种量子启发式的基于 SFFT 的均质化算法，成功实现了从 3 亿到 700 亿个网格点的高分辨率多尺度模拟，而这类模拟对于传统的基于 GPU 的 FFT 方法而言是无法实现的。
🔬 materials science
Interpretable, Physics-Informed Learning Reveals Sulfur Adsorption and Poisoning Mechanisms in 13-Atom Icosahedra Nanoclusters
通过将色散修正密度泛函理论与物理启发式机器学习相结合，本研究阐明了 30 个 13 原子过渡金属二十面体团簇中的硫吸附与中毒机制，并确定了 Ti-Zr-Hf 等电子等价三元组是设计耐硫亚纳米催化剂的平衡组分。
🔬 materials science
Global Plane Waves From Local Gaussians: Periodic Charge Densities in a Blink
该论文介绍了 ELECTRAFI，这是一种快速且可微的模型，它通过利用各向异性高斯的闭式傅里叶变换来预测晶体材料中的周期性电荷密度，从而以高达 633 倍的推理速度实现了最先进的精度，进而显著降低了密度泛函理论（DFT）计算的总计算成本。
🔬 materials science
The impact of spurious imaginary phonon modes on thermal properties of Metal-organic Frameworks
本文证明了虚假的虚频声子模式会显著扭曲热容估算并误导金属有机框架的机器学习基准测试，并提出了一种快速后处理工作流，以纠正这些误差，从而实现准确的热性质筛选。
🔬 materials science
How Far Can You Grow? Characterizing the Extrapolation Frontier of Graph Generative Models for Materials Science
本文介绍了 RADII，这是一个半径解析的基准测试，它系统地表征了材料科学中图生成模型的“外推前沿”，揭示了结构保真度在超出训练半径后会发生可预测的退化，且这种退化模式对每种模型架构而言都是独特的。
💻 computer science
Emerging Trends in Intelligent Sensing
本文探讨了人工智能与联网设备的激增如何推动向边缘计算架构的转型，以满足前所未有的计算需求，并概述了将塑造下一代智能传感器系统的关键设计与指标。