🔬 材料科学
Electronic and topological properties of Ce-based honeycomb ferromagnet CeZnGe
本研究确立了 CeZnGe 是一种罕见的具有局域化 4 电子和非平凡拓扑特征（包括 Weyl 点和非零贝里相位）的 Ce 基蜂窝状铁磁体，使其成为研究磁性与拓扑学相互作用的独特平台。
🔬 Category
cond-mat.mtrl-sci
4862 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。
🔬 材料科学
Magneto-optical Kerr spectroscopy of exciton Rydberg states in a magnetic van der Waals heterostructure
本研究通过对 MoSe/FeGaTe范德华异质结构进行波长分辨的磁光克尔光谱分析表明，在 A 和 B 激子流形中均存在近邻诱导的磁对称性破缺，并结合实验与理论分析，具体识别出基态和 2s 里德堡态中的增强共振。
🔬 材料科学
Quantum-Geometric Amplification of Nonperturbative Interaction Scales
本文表明，二维二次能带接触的奇异量子几何体充当了一种渐近放大器，将指数级微小的非摄动相互作用尺度转化为在量子度规和光学和规则中呈代数级增强的响应。
🔬 材料科学
High-Throughput Imaging of Degradation-Inducing Microscopic Impurities in Perovskite Solar Cells
本研究建立了一个实用的、高通量的诊断框架，该框架将纳米傅里叶变换红外光谱技术与机器学习增强的光学成像相结合，以快速识别并定量钙钛矿太阳能电池中的微观杂质，从而揭示这些缺陷是导致降解的关键成核位点，并为规模化器件制造实现早期稳定性筛选。
🔬 材料科学
Ultra-high vacuum Raman platform for in situ characterization of graphene nanoribbons
本文介绍了一种自制的超高真空拉曼手提箱（RVS），它通过防止氧化并允许在受控的热和气体环境下实时监测其生长动力学、晶格动力学及边缘特异性化学反应性，实现了对空气敏感且原子级精确的石墨烯纳米带进行原位表征。
🔬 材料科学
AI-Assisted Identification of Magnetic Orders and Skyrmions
本文提出了一种利用结构、组分和电子描述符来准确分类磁序并预测二维材料磁化强度的机器学习框架，从而实现对自旋电子应用候选材料的高效筛选以及对类斯格明子特征的识别。
🔬 材料科学
Density functional perturbation theory of meta-generalized gradient approximations using algorithmic differentiation
本文提出了一种基于算法微分的元广义梯度近似密度泛函微扰理论实现方法，该方法能够高效计算任意响应性质，并为新型交换相关泛函的基于梯度的优化提供便利。
🔬 材料科学
Bounding Retraining Equivalence and the Deletion Floor in Materials Machine Unlearning
本文通过基于重训练等价性定义一个“删除底限（deletion floor）”，建立将低删除底限与保留数据冗余性相联系的理论界限，并从经验上证明请求级遗忘评估必须共同报告参考损失、预测变化和保留效用，以区分有效的遗忘与单纯的数据抑制，从而解决了材料机器学习中删除后准确性的歧义问题。
🔬 材料科学
Catalogue of Collinear Magnetic Structures in Stoichiometric Materials
本文通过利用自旋空间群及其极大子群，为超过 72,000 种化学计量比材料构建了一个包含 365,639 种对称允许的共线磁结构的全面计算目录，并最终确定了数千种新型磁性拓扑材料，以指导实验表征和自旋电子学应用。
🔬 材料科学
Understanding and Mitigating Distribution Shifts For Machine Learning Force Fields
本文识别了阻碍机器学习力场（MLFFs）泛化能力的常见分布偏移，并提出了两种基于谱图理论和辅助物理目标的低成本测试时优化策略，旨在无需昂贵从头算标签的情况下，显著降低在分布外系统上的误差。