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。

🔬 materials science

Crystal forming ability of amorphous refractory metals under nanoindentation: a molecular dynamics study

这项分子动力学研究揭示了非晶态难熔金属(V、Nb、Mo、Ta、W)在纳米压痕过程中会经历剪切驱动的体相成核与生长,从而转化为体心立方(bcc)晶体,且其结晶能力从 V 到 W 逐渐降低,并与压痕速度呈反比关系,这表明转化速率是由内聚键强度而非热力学驱动力所控制。

Prashant Dwivedi, Alberto Fraile, Tomas Polcar2026-07-30
🔬 materials science

Structure-Property Correlation of Cr/Cu-MnFeCoNi High-Entropy Alloys for Alkaline Water Electrolysis

本研究表明,通过在 MnFeCoNi 基高熵合金中以 Cu 取代 Cr,通过调节电子结构以实现有利的中间体结合,并在析氧反应过程中诱导动态的富 Cu 表面重构,从而显著增强了其双功能碱性电解水性能。

Shreyasi Chattopadhyaya, Raphael B. de Oliveira, Deepti Gangwar, Tymofii S Pieshkov, Marcelo L. Pereira Junior, Dhiman B (…)2026-07-30
🔬 materials science

Generation of representative powder particle packing in 2D/3D: which tool for which application?

本文针对生成具有代表性的二维/三维粉末颗粒堆积的四种开源工具进行了基准测试,并将其与工业标准进行对比,结果表明,虽然离散元法(DEM)代码实现了最高的堆积密度,但顺序投放与滚动算法提供了一种计算效率更高且对于许多应用而言准确度可接受的替代方案。

Antoine Tainturier, Louis Lemarquis, Victor Szczepan, Marc Bernacki2026-07-30
🔬 materials science

No band gap, no problem: Defects in InAs using a band-avoiding occupation-constrained density functional theory

本文介绍了一种避带占据约束密度泛函理论(ba-occ-DFT)方法,该方法克服了像砷化铟(InAs)这类窄禁带半导体中的零带隙问题,使得在标准 DFT 无法重现实验带隙的情况下,仍能实现对原子缺陷能级的准确预测。

Peter A. Schultz, Arthur H. Edwards, Evan M. Anderson, Anthony C. Knighton, Leopoldo Diaz2026-07-30
🔬 materials science

Towards real-time surrogate-free Bayesian inversion for neutron reflectometry

本文介绍了一种用于中子反射率测量的快速、无代理贝叶斯反演框架,该框架利用精确梯度来赋能高效的哈密顿蒙特卡洛和变分推理方法,在不牺牲物理直觉的前提下,为复杂样品提供了最先进的不确定性量化速度与鲁棒性。

Max D. Champneys, Andrew J. Parnell, Philipp Gutfreund, Maximilian W. A. Skoda, Patrick A. Fairclough, Timothy J. Rogers (…)2026-07-29
🔬 materials science

Dual-Level Atomic and Coordination Geometry Learning for Crystal Property Prediction Using Graph Neural Networks

该论文提出了配位多面体图网络(Coordination Polyhedron Graph Network, CPGN),这是一种多尺度图神经网络,通过显式地对原子、化学键和配位多面体层级进行建模,并利用双向交叉注意力机制,捕捉现有模型经常忽略的基础结构单元,从而在预测晶体性质方面达到了最先进的精度。

Sanjay Chakraborty2026-07-29