Magnetic field assisted programming of particle shapes and patterns
Notice bibliographique
Résumé
Anisotropic particles have generated an enormous amount of research interest due to their applications for drug delivery, electronic displays and as micromotors. However, up till now, there is no single protocol capable of generating particles of "patchy" composition with a variety of well-defined and predictable shapes. To address this, in this submission we dispersed magnetic nanoparticles (MNPs) in a non-magnetic fluid containing monomer and crosslinker. This solution was added to the surface of Teflon, which was submerged in the solvent 2,2,4-trimethylpentane. Under these conditions a round, stable droplet was formed on the Teflon. Upon exposure to a permanent magnet, the MNPs self-assembled into clusters with a variety shapes and sizes. The shape and size of the clusters depended on the magnetic field strength, which we controlled by systematically varying the distance between the magnet and the droplet. Interestingly, the shape of the liquid droplet was also influenced by the magnetic field. Upon polymerization, the MNP patterns and the droplet shape was preserved. We also show that very complex MNP patterns and particle shapes could be generated by controlling the distance between the drop and both a magnet above and below the droplet. In this case, the resulting patterns depended on whether the magnets were attracting or repelling each other, which was capable of changing the field lines that the MNPs align with. Overall, this approach is capable of generating particles with predictable MNP patterns and particle shapes without the use of any templates or complex synthetic steps. Furthermore, by using a sprayer (or similar approaches, e.g., ink jet printing) this technique can be easily scaled up to produce many complex anisotropic particles in a short amount of time.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».