Physik - Materialwissenschaft

Erkunde die Arten und Anwendungen von Magnetismus und Ferriten in der modernen Technologie.

Diese Studie untersucht das Verhalten von Hafnium bei unterschiedlichen Temperaturen und Drücken mit Hilfe von maschinellem Lernen.

Forscher nutzen KI, um die Materialmodellierung mit einem neuen Deep-Learning-Ansatz zu verbessern.

Die Forschung an lichtgesteuerten magnetischen Materialien zielt darauf ab, die Datenspeichertechnologien zu verbessern.

Erfahre mehr über 2D-Magnete und ihr Potenzial in der Technik.

Die Untersuchung von Exzitonen zeigt neue Chancen zur Verbesserung von organischen Halbleitern.

Eine neue Schnittstelle verbessert Molekulardynamik-Simulationen unter realistischen Bedingungen.

Eine Studie zur Verbesserung der Vorhersage von Vibrations Eigenschaften für Materialien mithilfe von maschinellem Lernen.

Neue Materialien verbessern das Lichtmanagement in verschiedenen Technologien.

Forscher verbessern die Genauigkeit der Materialeigenschaftsvorhersage mithilfe von Transferlernen und maschinellen Lerntechniken.

Untersuchen, wie die Sprödigkeit von NiAl-Beschichtungen die Haltbarkeit von nickelbasierten Superlegierungen beeinflusst.

Untersuchen, wie Licht die mechanischen Eigenschaften von Zinksulfid verändert.

Ein tiefer Blick darauf, wie die Struktur das Elektronenverhalten in Strontiumruthenat beeinflusst.

Forscher manipulieren die Magnetisierung in GaMnN mit elektrischen Feldern für fortschrittliche Elektronik.

Dieser Artikel behandelt Methoden zur Analyse von Quadrat-Dreieck-Rhombus-Beschichtungen in höheren Dimensionen.

Ein Blick auf die Rolle der Chiralität in anorganischen Materialien und ihre potenziellen Anwendungen.

Untersuchen, wie Exzitonen den Photostrom in zweidimensionalen Materialien beeinflussen.

Neue Methode verbessert die Erkennung der Kristallneigung durch thermische Streuung.

Dieser Artikel behandelt die Scherverteilung in Metallen und die Faktoren, die sie beeinflussen.

Forscher entwickeln hybride Materialien, die Elektronik und Energieanwendungen verbessern.

Neue Methode im maschinellen Lernen verbessert die Effizienz von Koopmans-Spektral-Funktional-Berechnungen.

Diese Studie untersucht, wie Germanium die Eigenschaften von magnetischen topologischen Isolatoren verändert.

Ein neuer Ansatz zur Analyse von Versetzungsnetzwerken unter Stressbedingungen.

Die Eigenschaften von TMDCs untersuchen und ihre Rolle in zukünftigen elektronischen Geräten.

Die Studie zeigt, wie elektrische Felder dipolare Kolloide und ihr Clusterverhalten beeinflussen.

Untersuchung der Dunkelzählrate und Degeneration bei Einzelphotonen-Avalanche-Dioden.

GNNOpt macht's einfacher, die optischen Eigenschaften aus Kristallstrukturen vorherzusagen und verbessert so die Materialentdeckung.

Die elektronischen Eigenschaften und potenziellen Anwendungen von Kagome-Metallen erkunden.

Maschinenlernverfahren verbessern die Vorhersagen von Kristallstrukturen aus Elektronenbeugungsmustern.

Untersuchen, wie die Grösse des Rechenmodells die anorganischen Mischhalogen-Perowskit-Legierungen beeinflusst.

LiMgMnO bietet spannende magnetische und thermische Eigenschaften für zukünftige Technologien.

Neue Methoden verbessern die Langzeitprognosen in der Materialwissenschaft mit Hilfe von maschinellem Lernen.

Forscher nutzen FlowMM, um neue kristalline Materialien effizient vorherzusagen und zu erstellen.

Dieser Artikel untersucht die Herausforderungen und Chancen von Sprachmodellen in der Materialwissenschaft.

Neue Software verbessert die Effizienz und Genauigkeit bei der Analyse von Oberflächenstrukturen.

Forscher untersuchen die Ladungsbewegung in organischen Halbleitern für bessere thermoelektrische Materialien.

1T-TaS2 zeigt bemerkenswerte elektronische Eigenschaften, die potenziell in fortschrittlicher Technologie nützlich sein könnten.

Forschung zeigt einzigartige Eigenschaften von Wasser in Kohlenstoffnanoröhren, die Technologie beeinflussen.

Ein Leitfaden zur Verbesserung der Analyse der atomaren Paarverteilungsfunktion unter Verwendung von Röntgendaten aus dem Labor.

Eine Studie zeigt, wie Temperatur und Schichten das Phononverhalten von Graphen beeinflussen.