Accueil > Français > Équipes > Équipes scientifiques > Théorie

Présentation


Liste des membres |Site équipe

Les chercheurs du groupe THEO s’intéressent à divers systèmes de la matière condensée et cherchent à fournir des explications qualitatives (voire quantitatives) de phénomènes observés expérimentalement et à en prédire de nouveaux. L’objectif étant de comprendre le comportement collectif de ces matériaux et de dégager des concepts généraux qui s’appliquent à de nombreux systèmes.

Publications récentes :
 


  • Bareigts G, Kiatkirakajorn P-C, Li J, et al. Packing Polydisperse Colloids into Crystals: When Charge-Dispersity Matters. Physical Review Letters. 2020;124(5):058003.

  • Lu X, Goerbig MO. Erratum: Magneto-optical signatures of Volkov-Pankratov states in topological insulators. EPL (Europhysics Letters). 2020;128(3):39901.

  • Ehlen N, Hell M, Marini G, et al. Origin of the Flat Band in Heavily Cs-Doped Graphene. ACS Nano. 2020;14(1):1055-1069.

  • Yang F, Perrin V, Petrescu A, Garate I, Le Hur K. From topological superconductivity to quantum Hall states in coupled wires. Physical Review B. 2020;101(8):085116.

  • Ferreiro-Córdova C, Royall CP, van Duijneveldt JS. Anisotropic viscoelastic phase separation in polydisperse hard rods leads to nonsticky gelation. Proceedings of the National Academy of Sciences. 2020:201909357.

  • Jagannathan A, Tarzia M. Re-entrance and localization phenomena in disordered Fibonacci chains. The European Physical Journal B. 2020;93(3):46.

  • Kwok S, Botet R, Sharpnack L, Cabane B. Apollonian packing in polydisperse emulsions. Soft Matter. 2020;16(10):2426-2430.

  • Gariglio S, Caviglia AD, Triscone J-M, Gabay M. A spin–orbit playground: surfaces and interfaces of transition metal oxides. Reports on Progress in Physics. 2019;82(1):012501.

  • Sung B, Wensink HH, Grelet E. Depletion-driven morphological transitions in hexagonal crystallites of virus rods. Soft Matter. 2019;15(46):9520-9527.

  • Rozenberg M, Schneegans O, Stoliar P. An ultra-compact leaky-integrate-and-fire model for building spiking neural networks. Scientific Reports. 2019;9(1):11123.