Uusi tapa hallita valoa nopeampia tulevaisuuden tietokoneita varten

Tutkijat ovat luoneet uudenlaisen metamateriaalin, joka voi tarjota kattavan valoa estävän toiminnallisuuden fotoniseen laskentaan.

A metamateriaali on suunniteltu materiaali joiden ominaisuudet eivät johdu sen peruskomponenttien kemiallisesta koostumuksesta, vaan niiden huolellisesti suunnitellusta sisäisestä rakenteesta. Sellaisenaan näillä materiaaleilla voi olla epätavallisia ominaisuuksia, jotka ei löydy luonnossa esiintyvissä materiaaleissa.

Nämä materiaalit koostuvat tyypillisesti useista materiaaleista, kuten metalleista ja muoveista, ja ne on järjestetty toistuviksi, aallonpituutta pienemmiksi rakenteiksi. Muoto, koko, geometria, suunta ja järjestely antavat niille ominaisuudet, joiden avulla ne voivat manipuloida sähkömagneettisia, akustisia tai seismisiä aaltoja absorboimalla, taivuttamalla, vahvistamalla tai estämällä aaltoja ja saavuttamalla etuja, jotka eivät ole mahdollisia perinteisillä materiaaleilla.

uutta metamateriaalia¹ New Yorkin yliopiston tutkijoiden kehittämä Tämä on tyypillisesti nesteisiin ja kiteisiin liittyvä mutta ylittää sekä heistä kyvyssään estää tulevan valon kaikista kulmista.

Gyromorfeiksi kutsuttu uusi toiminnallisesti korreloituneiden epäjärjestäytyneiden materiaalien luokka yhdistää nestemäisen satunnaisuuden laajamittaisiin rakenteellisiin kuvioihin estäen valon pääsyn joka suunnasta. Tutkimuksessa todettiin:

"Luomme gyromorfeja 2D- ja 3D-muodossa spektraalisilla optimointimenetelmillä varmistaen, että niillä on vahva diskreetti rotaatiojärjestys, mutta ei pitkän kantaman translaatiojärjestystä, samalla kun säilytämme rotaatioisotropian lyhyellä kantamalla riittävän suurilla kohdilla. 𝐺.” 

Tämän innovaation avulla tutkijat ovat ratkaistu kvasikristallipohjaisten mallien rajoitukset, joilla on pitkä on vaivannut tiedemiehet. Se voi myös auttaa edistämään fotonisen laskennan kehitystä.

Kvasikiteistä gyromorfeihin fotonisessa laskennassa

Fotonisessa laskennassa fotonit sijasta sähkövirrat käytetään esiintymiseen laskelmat. Kun tämä uusi tietokonesukupolvi on saatu aikaan, se voi olla paljon tehokkaampi ja nopeampi kuin perinteiset koneet.

Kanssa tiedonkäsittely valonnopeudella, sillä on lupauksia tehokkaissa tehtävissä, kuten tekoälyssä, mutta teknologia kohtaa tällä hetkellä haasteita pienentämisen ja kustannusten suhteen. 

Alan kehitys on johtanut toiminnallisten fotonisten sirujen kehittämiseen integroitavaksi suurteholaskentapalvelimiin. Mutta valolla toimiva laskenta on edelleen rusketus varhainen vaihe, tutkijoiden kamppaillessa sirun läpi kulkevien mikroskooppisten valovirtojen hallitsemiseksi. 

Tarvitsemme huolellisesti suunniteltuja materiaaleja näiden pienten optisten signaalien uudelleenreitittämiseksi heikentämättä niiden voimakkuutta. Näiden signaalien pitäminen vahvoina vaatii a erikoistunut, kevyt aineessa laitteisto, joka estää hajavalon pääsyn sisään mistä tahansa suunnasta. 

Ratkaiseva tekijä tämän saavuttamiseksi on isotrooppisen kaistanleveysmateriaalin sisällyttäminen. Tämä materiaali estää valon tai muiden aaltojen etenemisen kaikkiin suuntiin, kunhan taajuudet ovat sen energia-aukon sisällä. Tällainen materiaali voi olla epäjärjestäytynyttä mutta silti hyperyhtenäistä, mikä tarkoittaa, että siltä puuttuu pitkän kantaman translaatiojärjestys, mutta sillä on tietty, kontrolloitu satunnaisuus.

Suunnitellessaan isotrooppisia kaistanleveysmateriaaleja tutkijoilla on pitkä keskittynyt kvasikiteillä.

Nämä rakenteet että noudata matemaattisia sääntöjä, mutta älä toista kuten perinteiset kristallit löydettiin ensimmäisen kerran tiedemies Dan Shechtmanin takaisin 1980-luvun alussa, josta hän voitti Nobelin palkinnon kemiassa vuonna 2011.

Löytö tehtiin tutkiessaan alumiinia ja mangaania. Kun nämä kaksi metallia olivat sulaneet yhteen ja jäähdytettiin nopeasti seoksen muodostamiseksi, ne osoittivat kymmenkertaista symmetriaa elektronimikroskoopilla, ominaisuus, jota ei esiinny kiteisissä rakenteissa, kuten metalleissa.

Kvasikiteillä on kiteisten rakenteiden ominaisuuksia, kuten timanteilla, mikä tarkoittaa, että ne ovat järjestäytyneitä kuvioiksi, sekä amorfisiksi rakenteiksi, kuten lasiksi, mikä tarkoittaa, että nämä kuviot eivät toistu. Niiden ainutlaatuiset ominaisuudet tekevät kvasikiteistä sekä kestäviä että hauraita.

Michiganin yliopiston aiemmin tänä vuonna tekemässä tutkimuksessa Tutkijat havaitsivat, että kvasikiteet ovat pohjimmiltaan stabiileja materiaaleja² vaikka niillä on samankaltaisuutta epäjärjestäytyneiden kiinteiden aineiden kanssa.

”Meidän on tiedettävä, miten atomit järjestetään tiettyihin rakenteisiin, jos haluamme suunnitella materiaaleja, joilla on halutut ominaisuudet”, totesi tutkimuksen toinen kirjoittaja, Wenhao Sun, Dow'n yliopiston materiaalitieteen ja -tekniikan apulaisprofessori. ”Kvasikiteet ovat pakottaneet meidät miettimään uudelleen, miten ja miksi tietyt materiaalit voivat muodostua.”

Tarjota Ishayoiden opettaman vastauksia vain miksi kvasikiteitä on olemassa tai miten ne muodostuvattutkijoilla oli ensin ymmärtää vain mikä tekee niistä vakaita. Tätä varten heidän täytyi määrittää if kvasikiteet ovat entalpia- tai entropiastabiloituja, so tutkijat otti pienempiä nanopartikkeleita suuremmasta simuloidusta lohkosta of kvasikristalli, sitten laski kokonaisenergiaa in jokainen nanopartikkeli.

Tutkijat havaitsivat, että sekä hyvin tutkitut kvasikiteet, skandiumin ja sinkin seos että ytterbiumin ja kadmiumin seos, ovat entalpiastabiloituja.

Laskelmaa varten tiimi käytti kvasikiteiden kvanttimekaanisia simulaatioita ja ratkaista Ishayoiden opettaman tietojenkäsittely pullonkaula, heillä oli vain Ishayoiden opettaman vierekkäiset prosessorit kommunikoivat keskenään sen sijaan, että tietokone suoritin kommunikoivat keskenään, mikä teki heidän algoritmistaan ​​jopa 100 kertaa nopeamman.

"Voimme nyt simuloida lasia ja amorfisia materiaaleja, eri kiteiden välisiä rajapintoja sekä kidevirheitä, jotka voivat mahdollistaa kvanttilaskennan bittien kehittämisen."

– Vikram Gavini, UM:n konetekniikan professori ja materiaalitieteen ja tekniikka

Toisessa tutkimus, Ishayoiden opettaman Kansallinen standardi- ja teknologiainstituutti (NIST) Tutkijat löysivät kvasikiteitä uudesta alumiini-zirkoniumseoksesta³, Joka oli muodostivat alla äärimmäisissä olosuhteissa 3D-metallitulostuksesta.

Vaikka zirkoniumin lisääminen alumiinijauheeseen mahdollistaa erittäin lujien alumiiniseosten tulostamisen, NIST-tiimi halusi ymmärtää, mikä tekee tästä metallista niin vahvan. sitä voidaan käyttää kriittisissä komponenteissa, kuten sotilaslentokoneiden osissa. 

Ja he havaitsivat, että kvasikiteet ovat vastuussa tästä. Alumiinikiteiden säännöllisen kuvion rikkominen vahvistaa seosta.. Oikeasta kulmasta katsottuna tiimi löysi "hyvin harvinaisen" viisinkertainen rotaatiosymmetrian kaksi- ja kolmiosymmetrioiden lisäksi. kahdesta eri kulmasta.

TämäNIST-fyysikon ja artikkelin toisen kirjoittajan Fan Zhangin mukaan "avaavat uuden lähestymistavan metalliseosten suunnitteluun. Tutkimuksen osoittaessa että ”kvasikiteet voivat tehdä alumiinista vahvempaa. Nyt ihmiset saattavat yrittää luoda niitä tarkoituksella tulevaisuuden metalliseoksissa," hän lisäsi.

Gyromorfien vallankumouksen sisällä: Isotrooppiset kaistanleveysmateriaalit

Kvasikiteillä on paljon lupauksia. Ne edes kykyä että estää valon kokonaanMutta vain rajoitetuista suunnista. Ja vaikka ne voivat heikentää valoa kaikista suunnista, ne eivät voi pysäyttää sitä kokonaan.

Tämän rajoituksen voittamiseksi tiedemiehet ovat etsineet vaihtoehtoja, jotka voivat estää signaalia heikentävän valon tehokkaammin. Tämä on johtanut gyromorfien kehittämiseen, jotka voivat auttaa rakentamaan materiaaleja, jotka estävät hajavalon pääsyn sisään mistä tahansa suunnasta tehokkaammin. Tutkimuksen vanhemman kirjoittajan, fysiikan, kemian, matematiikan ja neurotieteen apulaisprofessorin Stefano Martinianin mukaan:

"Gyromorfit eroavat kaikista tunnetuista rakenteista siinä, että niiden ainutlaatuinen koostumus mahdollistaa parempien isotrooppisten kaistanauhojen materiaalien muodostumisen kuin nykyisillä lähestymistavoilla on mahdollista." 

Näiden materiaalien suunnittelussa, joiden ominaisuudet riippuvat niiden arkkitehtuurista, merkittävä este on kuitenkin niiden saavuttamiseksi tarvittava järjestely. halutut fyysiset ominaisuudet.

Julkaistu Physical Review Letters -lehdessä New Yorkin yliopiston tutkijat esittelevät uuden strategian⁴ optisen käyttäytymisen säätämiseksi.

Tiimi on kehittänyt algoritmin, joka pystyy tuottamaan toiminnallisia rakenteita, joissa on sisäänrakennettua epäjärjestystä. Tiimin paljastama uusi "korreloituneen epäjärjestyksen" muoto sijoittuu kahden ääripään, täysin järjestyneen ja täysin satunnaisen, väliin.

”Ajattele puita metsässä – ne kasvavat satunnaisissa paikoissa, mutta eivät täysin satunnaisesti, koska ne ovat yleensä tietyn etäisyyden päässä toisistaan. Tämä uusi kuvio, gyromorfit, yhdistää ominaisuuksia, joiden uskoimme olevan yhteensopimattomia, ja sillä on funktio, joka ylittää kaikki järjestyneet vaihtoehdot, mukaan lukien kvasikiteet.”

- Martiniani

Tutkimuksensa aikana tiimi havaitsi, että kaikilla isotrooppisilla kaistavyön materiaalilla oli sama rakenteellinen piirre. Niinpä he keskittyivät tekemään siitä "mahdollisimman selkeän", mikä johti gyromorfien luomiseen.

Tuloksena syntyneet uudet materiaalit, tutkimuksen pääkirjoittaja ja NYU:n fysiikan laitoksen postdoc-tutkija Mathias Casiulis, totesivat "sovittavan yhteen näennäisesti yhteensopimattomia ominaisuuksia", koska niillä ei ole kidemäistä, kiinteää, toistuvaa rakennetta, joka antaisi niille nestemäisen epäjärjestyksen. Samaan aikaan ne kuitenkin muodostavat säännöllisiä kuvioita kaukaa katsottuna.

"Nämä ominaisuudet toimivat yhdessä luoden kaistanleveyksiä, joita valoaallot eivät pääse läpäisemään mistään suunnasta."

– Casiulis 

Tiimi esitteli myös "polygyromorfeja", joilla on useita rotaatiosymmetrioita eri pituusasteikoilla, jotta voidaan muodostaa useita kaistanleveyksiä yhteen rakenteeseen, mikä avaa ovet optisten ominaisuuksien hienosäätöön.
Pyyhkäise vierittääksesi →

Tekoäly ja seuraavan sukupolven kvanttimateriaalit löydöksissä

Tutkijoiden jatkaessa syventymistä seuraavan sukupolven materiaalien kehittämiseen, syntyy kokonaan uusia materiaaliluokkia.

Äskettäin energiaministeriön Berkeley Labin johtama tutkimusryhmä ilmoitti löydöstä⁵ ”berkeloseenista”, organometallimolekyylistä, joka sisältää synteettistä, raskasta, radioaktiivista kemiallista alkuainetta berkeliumia.

Molekyylit koostuvat metalli-ionista, jota ympäröi hiilipohjainen kehys, ja vaikka ne ovat suhteellisen yleisiä varhaisille aktinidialkuaineille, niitä tuskin tunnetaan myöhempien alkuaineiden kohdalla.

"Tämä on ensimmäinen kerta, kun on todisteita kemiallisen sidoksen muodostumisesta berkeliumin ja hiilen välille. saatuLöytö antaa uutta ymmärrystä siitä, miten berkelium ja muut aktinidit käyttäytyvät suhteessa vastaaviin alkuaineisiin jaksollisessa järjestelmässä”, hän sanoi. toinen kirjoittaja Stefan Minasian, Berkeley Labin kemian tieteiden osaston tutkija, joka on työskennellyt aktinidien organometallisten yhdisteiden valmistelemiseksi, koska ne mahdollistavat aktinidien erillisten elektronisten rakenteiden havaitsemisen.

Aktinidit ovat 15 radioaktiivisen metallisen alkuaineen sarja jaksollisessa järjestelmässä, joka sijaitsee f-lohkossa. Uraani ja plutonium ovat esimerkkejä aktinideista. Ne tunnetaan radioaktiivisista ominaisuuksistaan ​​ja käytetään ydinreaktoreissa ja muissa teknologioissa.

Viime vuonna Uppsalan yliopiston (Ruotsi) ja Columbian yliopiston (Yhdysvallat) tutkijoiden yhteistyö johti siihen, että CeSiI:ksi kutsutun 2D-kvanttimateriaalin löytäminen⁶, jonka kiderakenne on ceriumia, piitä ja jodia. Sen kiderakenne muistuttaa kaksiulotteista järjestystä erilliset, atomin ohuet kerrokset. 

CeSilin elektronit käyttäytyvät raskaiden fermionien tavoin, joiden efektiivinen massa on jopa 100 kertaa suurempi kuin tavallisissa materiaaleissa. Tämä efektiivinen massa on anisotrooppinen; se riippuu siten elektronien liikkumissuunnasta atomikerroksissa.

”Tämän löydön ansiosta meillä on nyt merkittävästi parannettu materiaalialusta korreloivien elektronirakenteiden tutkimiseen. 2D-materiaalit ovat kuin LEGO-palikoilla varustettu rakennussarja. Kumppanimme työskentelevät jo muiden 2D-materiaalien kerrosten lisäämisen parissa luodakseen uuden materiaalin, jolla on räätälöityjä kvanttiominaisuuksia.”

- Chin Shen Ong Uppsalan fysiikan ja tähtitieteen laitokselta

Materiaalitieteessä on lukemattomia mahdollisuuksia, ja oikean materiaalin valinta on keskeinen este uusi löytöjä. Vaikka teoriapohjaiset ennusteet ja kokeelliset validoinnit auttavat valinnan tueksi, ne ovat pysyneet hajanainen.

Tämä tässä kohtaa tekoälypohjainen materiaalitieteen informatiikka ottaa vallan. Se integroi kvanttimittakaavan oivalluksia suuriin tietojoukkoihin seuloakseen, mallintaakseen ja optimoidakseen nopeasti uusia materiaaleja, joita olisi mahdotonta löytää perinteisellä kokeilu- ja erehdysmenetelmällä.

Tutkijaryhmä Tohokun yliopistossa rakensi Tekoälyn rakentama materiaalikartta⁷ yhdistää kaikki kokeellista dataa edustavien ensisijaisten laskennallisten tietojen kera, tarkoituksenaan auttaa tutkijat löytävät oikean materiaalin tiettyyn tilanteeseen.

Kartta on suuri kaavio, jossa on akseleita rakenteellisen samankaltaisuuden ja termoelektrisen suorituskyvyn (zT) osalta, jokaisen datapisteen edustaessa materiaalia. Samankaltaisia ​​materiaaleja esiintyy täällä lähellä läheisyys. Koska nämä materiaalit yleensä syntetisoidaan ja arvioitu samankaltaisilla menetelmillä ja laitteilla, kartta antaa kokeilijoille mahdollisuuden tunnistaa nopeasti tuntemattomien korkean suorituskyvyn materiaalien analogit ja käyttää uudelleen olemassa olevia synteesiprotokollia seuraavina vaiheina.

Tällä tavoin työkalu voi auttaa vähentämään kehityskustannuksia ja nopeuttamaan innovaatioita ja niiden käyttöönottoa käytännössä. Tulevaisuudessa tiimi aikoo laajentaa viitekehystään termoelektristen materiaalien ulkopuolelle kattamaan topologiset ja magneettiset materiaalit ja sisällyttää siihen lisää kuvaajia luodakseen kattavan, tekoälyavusteisen materiaalisuunnittelun. tukialusta.

"Tarjoamalla intuitiivisen, lintuperspektiivisen näkymän useista ehdokkaista kartta auttaa tutkijoita valitsemaan lupaavia kohteita yhdellä silmäyksellä; siksi se on odotettua lyhentää merkittävästi uusien funktionaalisten materiaalien kehitysaikatauluja.”

– Apulaisprofessori Yusuke Hashimoto

Samaan aikaan Göteborgin yliopiston tutkimuksessa kehitettiin tekoälymalli että määrittää tehokkaasti lujuuden ja kestävyyden⁸ kudotuista komposiittimateriaaleista.

Fyysisten testien ja yksityiskohtaisten testien suorittaminen tietokonesimulaatiot uusien korkealaatuisten komposiittimateriaalien suunnittelu on "erityisen vaikeaa, kun komposiitti on luotu kudotun tekstiilikuitumateriaalin tavoin, jossa kuidut ovat kiedottuina toistensa ympärille ja käyttäytyvät eri tavalla materiaaliin kohdistuvien voimien mukaan on alttiina ”, totesi Ehsan Ghane, tohtoriopiskelija Göteborgin yliopiston fysiikan laitoksella.

Vaikka tietokoneet voivat jo simuloida realistisia mikrorakenteita materiaalien vuorovaikutusten ja vaikutusten perusteella, kudotut komposiittimateriaalit vaativat edelleen huomattavia menetelmiä. laskennalliset resurssit. Neuroverkot tarjoavat vaihtoehdon, mutta ne vaativat suuria määriä harjoitusdataa ja niiden ekstrapolointi on vaikeaa., joten tiimi kehitti yleistetyn tekoälymallin, joka ei vaadi yhtä paljon dataa.

Malli on koulutettu komposiitin ainesosien olemassa olevien simulointi- ja testitietojen avulla, minkä ansiosta se voi ennustaa uuden komposiitin kestävyyden..

Göteborgin tutkimuksessa selvitettiin menetelmiä materiaalilakien integroimiseksi tekoälymalliin, kun taas KAISTin tutkijaryhmä on yhdistänyt fysiikan lakeja tekoälymalliinsa mahdollistaakseen uusien materiaalien nopean tutkimisen, vaikka data olisi kohinaista tai rajallista.

Kiinteistön tunnistetiedot ovat yksi avain vaiheet uusien materiaalien kehittämisessä, mutta se vaatii valtavia määriä kokeellista dataa ja kalliita laitteita, mikä rajoittaa tutkimuksen tehokkuus. KAIST-tiimi voitti tämän tarpeen integroimalla materiaalien ja energian muodonmuutosta ja vuorovaikutusta säätelevät lait.

Tutkijat raportoi fysiikkaan perustuvan neuroverkkotekniikan (PINN)⁹ materiaalien ominaisuuksien ja muodonmuutoskäyttäytymisen havaitsemiseksi käyttämällä vain pientä määrää dataa yhdestä kokeesta. Sitten he esittelivät tekoälymallin, fysiikkaan perustuvan neurooperaattorin (PINO), joka ymmärtää fysiikan lakeja. ja voi yleistyä näkymättömiin materiaaleihin.

MIT:n tutkijat ottivat sen vielä pidemmälle kehittämällä menetelmä, joka yhdistää tietoa useista lähteistä¹⁰: kirjallisuus, kemialliset koostumukset, mikrorakennekuvat ja paljon muuta. 

Se on osa uutta Copilot-alustaa reaalimaailman kokeellisille tutkijoille (CRESt). Heidän menetelmässään käytetään robottilaitteita materiaalien suuren läpimenon testaamiseen ja tulokset syötetään sitten järjestelmään. takaisin suuriin multimodaalisiin malleihin reseptien parantamiseksi.

Tutkijat käyttivät tätä "avustajaa, eivät korviketta", ihmistutkijoilles," tutkia yli 900 kemiallista ainetta ja suorittaa 3 500 sähkökemiallista testiä joka johti katalyyttimateriaalin löytämiseen, joka tuotti ennätysmäisen tehotiheyden polttokennossa sähkön tuottamiseksi.

Materiaalitieteen edistämiseen investoiminen

Materiaalitieteen maailmassa ATI Inc. (ATI ) tunnetaan teknisesti edistyneistä erikoismateriaaleistaan ​​ja monimutkaisista komponenteistaan. Yritys valmistaa korkean suorituskyvyn materiaaleja ilmailu-, puolustus-, lääketieteen, elektroniikan ja energia-alan markkinoille.

ATI:n tuotteet valmistetaan nikkelipohjaisista seoksista ja superseoksista, titaanista ja titaanipohjaisista seoksista sekä erikoisseoksista. Se toimii kahden segmentin kautta:

• Korkean suorituskyvyn materiaalit ja komponentit (HPMC)
• Edistyneet seokset ja liuokset (AA&S)

ATI:n markkina-arvo on 13.5 miljardia dollaria, ja sen osakkeiden hinta on 99.37 dollaria, mikä on 80.5 % nousua tänä vuonna. Sen osakekohtainen tulos (TTM) on 3.10 ja P/E (TTM) 32.09. Yhtiö maksaa osinkoa 0.32 %.

ATI raportoi hiljattain myynnin kasvaneen 7 prosenttia vuodentakaiseen verrattuna 1.13 miljardiin dollariin vuoden 2025 kolmannella neljänneksellä. Sen GAAP-nettotulos oli 110 miljoonaa dollaria ja oikaistu nettotulos 119 miljoonaa dollaria, molemmat 30 % enemmän kuin edellisenä vuonna..

Osakekohtainen tulos oli neljänneksellä 0.78 dollaria, ja oikaistu osakekohtainen tulos oli 0.85 dollaria.

”Ylitimme ohjeistuksemme kolmannella neljänneksellä ja saavutimme vahvan oikaistun tuloksen ja liiketoiminnan kassavirran. Näemme edelleen positiivisia kysyntäsignaaleja ydinmarkkinoillamme, kun asiakkaamme pyrkivät saavuttamaan kasvutavoitteensa. Olemme hyvässä asemassa kasvattamaan puolustusliiketoimintaamme laajenevan, erittäin erilaistuneiden tuotteiden valikoiman avulla.”itinen Yhdysvalloille ja liittolaisillemme."

– Toimitusjohtaja Kimberly A. Fields

Viimeisimmät ATI Inc. (ATI) Osakeuutiset

Johtopäätös: Miksi gyromorfit ovat tärkeitä fotoniikalle ja sijoittajille

Materiaalitiede on avainasemassa teknologisessa kehityksessä, ja tekoäly kiihdyttää sitäKokeilijoiden, teoreetikkojen ja koneoppimisjärjestelmien lähentyminen lyhentää merkittävästi aikajanaa löydöksestä sovellukseen, mikä mahdollistaa nopean tunnistamisen, simuloinnin ja optimoinnin.materiaalien hyödyntäminen, joka aikoinaan vaati vuosikymmeniä kokeilua ja erehdystä. 

Tässä mielessä gyromorfien löytäminen on merkittävä virstanpylväs. Yhdistämällä epäjärjestyksen kuvioihin tämä uusi materiaaliluokka mahdollistaa ennennäkemättömän valon hallinnan.d lupaa seuraavan suuren harppauksen fotonilaskennassa.

Viitteet

1. Casiulis, M., Shih, A. ja Martiniani, S. ”Gyromorfit: Uusi luokka toiminnallisesti epäjärjestyneitä materiaaleja.” Fyysisen tarkastelun kirjaimet 135(19) (2025). https://doi.org/10.1103/gqrx-7mn2
2. Baek, W., Das, S., Tan, S., Gavini, V., & Sun, W. Kvasikiteiden stabiilius ja ydintymiskinetiikka tiheysfunktionaaliteoriasta. Luontofysiikka 21, 980 - 987 (2025). https://doi.org/10.1038/s41567-025-02925-6
3. Liu, Y., Zhang, H., Zhou, X., & Chen, Y. ”Uusien sekametallioksidien katalyyttinen suorituskyky CO₂:n hydrauksessa.” Sovellettu katalyysi B: Ympäristö 330 (2025). https://doi.org/10.1016/S0925-8388(25)01839-0
4. Casiulis, M., Shih, A. ja Martiniani, S. Gyromorfit: Uusi luokka toiminnallisesti epäjärjestyneitä materiaaleja. Fyysisen katsauskirjeet 135, 196101 (2025). https://doi.org/10.1103/gqrx-7mn2
5. Russo, DR, Gaiser, AN, Price, AN, Sergentu, DC., Wacker, JN, Katzer, N., Peterson, AA, Branson, JA, Yu, X., Kelly, SN, Ouellette, ET, Arnold, J., Long, JR, Lukens, WW, Jr., Teat, SJ, Abergel, RJ, Arnold, PL, Autschbach, J. ja Minasian, SG Berkelium-hiili-sidos tetravalenttisessa berkeloseenissa. Tiede 387(6737), 974–978 (2025). https://doi.org/10.1126/science.adr3346
6. Posey, VA, Turkel, S., Rezaee, M., Devarakonda, A., Kundu, AK, Ong, CS, Thinel, M., Chica, DG, Vitalone, RA, Jing, R., Xu, S., Needell, DR, Meirzadeh, E., Feuer, ML, Jindal,,,.., Thinel,,.. P., Yilmaz, T., Vescovo, E., Graf, D., Zhu, X., Scheie, A., May, AF, Eriksson, O., Basov, DN, Dean, CR, Rubio, A., Kim, P., Ziebel, ME, Millis, AJ, Pasupathy, AN & Roy, X. Kaksiulotteiset raskaat fermionit van der Waalsin metallissa CeSiI. Luonto 625, 483–488 (2024). https://doi.org/10.1038/s41586-023-06868-x
7. Hashimoto, Y., Jia, X., Li, H., & Toma, T. ”Materiaalikartta, joka yhdistää kokeellista ja laskennallista dataa graafipohjaisen koneoppimisen avulla materiaalien löytämisen parantamiseksi.” APL-koneoppiminen 3(3), 036104 (2025). https://doi.org/10.1063/5.0274812
8. Ghane, E. Oppiminen datasta ja fysiikasta kudottujen komposiittien moniskaalamallinnuksessa. Väitöskirja, Göteborgin yliopisto, 2025. https://hdl.handle.net/2077/85666
9. Moon, H., Park, D., Cho, H.-K., Noh, H.-K. ja Ryu, S. Fysiikkaan perustuva neuroverkkopohjainen hyperelastisten konstitutiivisten mallien löytäminen erittäin niukasta datasta. Tietokonemenetelmät sovelletussa mekaniikassa ja tekniikassa 446, 118258 (2025). https://doi.org/10.1016/S0045782525005304
10. Zhang, Z., Ren, Z., Hsu, C.-W., Chen, W., Hong, Z.-W., Lee, C.-F., Penn, A., Xu, H., Zheng, DJ, Miao, S., Huang, Y., Gao, Y., Chen, W., Smith, H., Niu, Y., Tian, ​​Y., Y. Y.-C., Li, S., Wang, H.-T., Abate, II, Agrawal, P., Shao-Horn, Y., & Li, J., Multimodaalinen robottialusta monielementtisten sähkökatalyyttien löytämiseen. Luonto 647, 390–396 (2025). https://doi.org/10.1038/s41586-025-09640-5