19 GHz Single-Ended-to-Balanced Modified Ladder-Lattice Filters Realized Using Periodically Polarized AlScN BAW Resonators
本文介绍了两种 19 GHz 单端转平衡改进型梯形晶格滤波器，这些滤波器采用周期极化 AlScN BAW 谐振器实现，在消除对外部平衡器需求的同时，实现了低插入损耗、高带外抑制以及适用于无线通信应用的竞争性性能。
🔬 Category
cond-mat.mtrl-sci
2692 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。
Beyond Text and Tables: Vision-Language Model Integration in ComProScanner for Extracting Materials Data from Scientific Figures with High Accuracy
本文提出了一种增强版的 ComProScanner 框架，该框架集成了视觉语言模型以自动从科学图表中提取成分-属性数据，在实现高准确度和高成本效益的同时，建立了首个用于从文本、表格和图像中挖掘材料数据的全自动多模态流水线。
Advances in electrical contacts to single crystals of emerging materials for transport measurements
本综述强调了在新型单晶上制备高质量、光刻定义的多端电接触方面的最新技术进展，为克服由其不规则几何形状和结构特性所带来的挑战以实现可靠输运测量提供了实用指南。
Data-Driven Discovery of Unconventional Antiferromagnets
本文提出了一种可扩展的数据驱动框架，通过筛选庞大的材料数据库，识别并分类了36种此前未被报道的交错磁体（altermagnets）和9种格鲁特尔补偿亚铁磁体（Luttinger-compensated ferrimagnets），为发现具有广阔自旋电子学应用前景的非常规反铁磁体建立了一条高通量路径。
Synthesis of single-layered fluorographdiyne nanosheets via selective on-surface 2D covalent polymerization
本文报道了通过一种结合钴催化与冠状苯模板化技术、旨在克服以往实现大面积无缺陷畴领域挑战的选择性表面二维共价聚合方法，在 Au(111) 表面成功合成了尺寸高达 60×60 nm² 的单层氟石炔（fluorographdiyne）纳米片。
Impact of Disorder Dynamics and Multi-Domain Kinetics on the Sliding Ferroelectricity of CVD-Grown 3R-WSe2 Bilayers
本研究利用石墨烯基场效应晶体管证明了生长诱导的结构无序和多畴动力学在关键程度上支配了化学气相沉积（CVD）生长的3R堆叠WSe2双层的极化翻转行为，为优化范德华铁电器件提供了重要见解。
Manifold Diffusion for Structure Generation of Transition Metal Complexes
本文介绍了 TMCgen，一种流形扩散模型，它通过专注于配位角和配体扭转等关键自由度，能够高效且准确地生成各类过渡金属配合物的三维几何结构。
Topological Edge States from Molecular Chirality: A General Framework for Dimerized Dipolar Arrays
本文建立了一个通用的理论框架，证明了二聚化偶极阵列中的分子手性会诱导产生具有独特立体化学标记的可调控拓扑边缘态，从而为准一维拓扑量子物质提供了一个可控平台。
Property Prediction of Stacked Bilayer Materials: A Multimodal Learning Approach
本文提出了一种新型多模态学习方法，用于对堆叠双层二维材料的界面进行建模并预测其涌现特性，通过证明其相比基准方法具有更优越的有效性和效率，填补了人工智能驱动材料发现领域的空白。
How Can Machine Learning Accelerate CALPHAD Free Energy Modeling?
本文证明，一种将物理启发式元素描述符嵌入 Redlich-Kister 框架的混合机器学习方法，有效地克服了传统 CALPHAD 模型的数据局限性，从而实现了对未知或数据匮乏合金体系热力学相互作用参数的稳健零样本预测。