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。

High Absorptivity Nanotextured Powders for Additive Manufacturing

本文提出了一种通用方法,通过在反射性和难熔金属粉末表面引入纳米级沟槽,增强其在增材制造中的激光吸收率和可打印性,从而显著提高能源效率,并使得利用铜等挑战性材料制造高密度部件成为可能。

Ottman A. Tertuliano, Philip J. DePond, Andrew C. Lee, Jiho Hong, David Doan, Luc Capaldi, Mark Brongersma, X. Wendy Gu, Manyalibo J. Matthews, Wei Cai, Adrian J. Lew2026-05-13🔬 cond-mat.mtrl-sci

Contrasting structural reversibility and magnetic correlations in isostructural honeycomb magnets CrCl3_3 and α\alpha-RuCl3_3

本研究揭示,尽管具有相同结构的蜂窝状磁体 CrCl3_3α\alpha-RuCl3_3 均经历涉及层间滑移的一级结构相变,但二者表现出截然不同的行为:CrCl3_3 保持结构稳健性并显示出显著的磁漫散射,而 α\alpha-RuCl3_3 则遭受结构退化且缺乏此类磁关联,这一差异归因于它们不同的电子组态。

Zachary Morgan (Neutron Scattering Division, Oak Ridge National Laboratory, Oak Ridge, Tennessee, USA), Iris Ye (Next Generation Pathway to Computing Program Participant), Jiasen Guo (Neutron Scatteri (…)2026-05-13🔬 cond-mat

Fast and Accurate Prediction of Lattice Thermal Conductivity via Machine Learning Surrogates

本文在大型 Phonix 数据库上对 15 个机器学习代理模型进行了基准测试以预测晶格热导率,结果表明,尽管嵌入机器学习势函数的模型在插值方面表现优异,但如 ALiEGNN 之类的深度神经网络在分布外外推方面展现出更优越的鲁棒性,从而能够以第一性原理模拟计算成本的一小部分实现热电材料的高效高通量筛选。

Zeyu Wang, Shuya Yamazaki, Martin Hoffmann Petersen, Masato Ohnishi, Tomiya Yamamoto, Wei Nong, Jianghai Wang, Ruiming Zhu, Masatoshi Hanai, Michimasa Morita, Toyotaro Suzumura, Zekun Ren, Junichiro S (…)2026-05-13🔬 cond-mat.mtrl-sci

Synergistic improvement of specific strength and plasticity achieved in Ti-based metallic glass designed based on quasicrystal structure

通过利用准晶衍生的结构遗传性和微量铝微合金化,本研究在钛基块体非晶合金中实现了5.34×105 Nmkg15.34 \times 10^5 \text{ N}\cdot\text{m}\cdot\text{kg}^{-1}的创纪录比强度和13%的塑性应变,有效克服了传统强度与塑性之间的权衡。

Zhengqing Cai, Zijing Li, Shidong Feng, Limin Wang, Riping Liu2026-05-13✓ Author reviewed 🔬 cond-mat.mtrl-sci