Intrinsic defect intolerance in the ultra-pure metal PtSn4
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ultra-pure materials are highly valued as model systems for the study of intrinsic physics. Frequently, however, the crystal growth of such pristine samples requires significant optimization. PtSn4 is a rare example of a material that naturally forms with a very low concentration of crystalline defects. Here, we investigate the origin of its low defect levels using a combination of electrical resistivity measurements, computational modeling, and scanning tunneling microscopy imaging. While typical flux-grown crystals of PtSn4 can have residual resistivity ratios (RRRs) that exceed 1000, we show that even at the most extreme formation speeds, the RRR cannot be suppressed below 100. This aversion to defect formation extends to both the Pt and Sn sublattices, which contribute with equal weight to the conduction properties. Direct local imaging with scanning tunneling microscopy further substantiates the rarity of point defects, while the prohibitive energetic cost of forming a defect is demonstrated through density functional theory calculations. Taken together, our results establish PtSn4 as an intrinsically defect-intolerant material, making it an ideal platform to study other properties of interest, including extreme magnetoresistance and topology. Ultra-pure materials are essential for exploring intrinsic physics, yet achieving such purity often demands extensive crystal growth optimization. Here, the authors reveal that PtSn4 naturally exhibits extremely low defect levels, confirmed through resistivity measurements and microscopy, establishing it as an ideal platform for studying extreme magnetoresistance and topology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle