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。

A Neural-Network Framework to Learn History-Dependent Constitutive Laws and Identifiability of Internal Variables

本文提出了一种因果且基于能量的神经网络框架,用于学习依赖历史的本构定律,该框架在确保热力学一致性、稳定性及解的存在性的同时,证明了所学习的内部变量在至多线性变换的意义下是唯一的,并在预测多晶镁单元格的响应时实现了 2% 的相对误差。

Mayank Raj, Lianghao Cao, Andrew Stuart, Kaushik Bhattacharya2026-05-15🔬 cond-mat.mtrl-sci