Crystal Fractional Graph Neural Network for Energy Prediction of High-Entropy Alloys
本文提出了一种晶体分数图神经网络，该网络通过图注意力机制将局部原子环境分析与全局成分数据相结合，以准确预测高熵合金的能量，在包含 1000 多个结构的数据集上实现了第一性原理级别的精度，同时承认当前在处理大晶胞方面存在局限性。
🔬 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。
Heat Transfer in Phase Change Materials with Multiple Fin Insertion
本研究利用三维数值模拟证明，通过利用间隙空间并避免次优单翅片或过密配置所产生的重叠热效应，多个间距适当的翅片可显著提高相变材料的熔化效率。
Rashba engineering at van der Waals interfaces
本研究表明，外延生长的过渡金属硫族化合物（TMD）单层之间的界面能够通过电子杂化实现拉什巴自旋劈裂的调控和太赫兹自旋电子发射的增强，从而为高效的自旋 - 电荷转换提供了一个可调谐平台。
SLayerGen: a Crystal Generative Model for all Space and Layer Groups
本文介绍了 SLayerGen，这是一种新颖的生成模型，它通过结合自回归晶格采样与等变扩散的混合架构，强制模型对所有空间群和层群保持不变性，从而统一了块体晶体和双周期材料（如二维单层）的生成，同时提供了新的数据集和评估指标，以推动这些此前代表性不足的材料体系的发现。
Multiscale modeling of materials and neural operators
本文介绍了神经算子作为一种强大且与离散化无关的工具，用于克服材料多尺度建模中的挑战，并通过三个精选示例展示了其有效性。
Emergent Quantum-Geometric Equivalence of Injection and Shift Currents
本文揭示，注入电流与位移电流传统上被视为截然不同的非线性光学响应，但在具有线性电子色散（如狄拉克与外尔半金属）的体系中，由于二者均受同一带间量子几何偶极矩支配，因而变得等价，从而为解释这些现象建立了统一的框架。
Thermodynamic Approach for Deciphering Magneto-Structural Phase Transitions: Proof of Concept in Heusler Alloys
本文提出了一种新颖的热力学框架，通过分析结构转变与自旋交换参数之间的相互作用，利用标准磁化数据准确解析特征温度，并对铜掺杂的 Ni-Mn-Ga 赫斯勒合金中三种不同的磁结构转变行为进行分类。
CrystalREPA: Transferring Physical Priors from Universal MLIPs to Crystal Generative Models
CrystalREPA 是一个即插即用框架，它通过对比目标将生成模型表示与冻结的通用机器学习原子间势（MLIPs）对齐，从而增强生成晶体的稳定性、有效性和保真度，并揭示出 MLIP 的迁移有效性更取决于其表示的可区分性，而非其标准精度基准。
Impact of the non-canonical approach to the exact solution of the ideal one-dimensional electron gas confined with an anisotropic quantum wire of oscillator-shaped profile
本文针对具有位置依赖有效质量的各向异性谐振子形量子线中受限的理想一维电子气，提出了精确解析解，通过拉盖尔多项式和盖根鲍尔多项式，利用正则与非正则方法导出了波函数和能谱。
Systematic Fine-Tuning of MACE Interatomic Potentials for Catalysis
本文系统评估了九种基于 MACE 的机器学习原子间势在催化领域的应用，表明尽管从头训练受益于特定高能采样策略，但微调大型基础模型在涵盖多种金属及金属氧化物催化剂（包括具有挑战性的分布外反应）时展现出更优越的鲁棒性与准确性。