Photocurrent Modeling and Detectivity Optimization in a Resonant-Tunneling Quantum-Dot Infrared Photodetector
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
Theoretical modeling of the photocurrent and detectivity optimization of a resonant-tunneling quantum-dot infrared photodetector (RT-QDIP) based on nonequilibrium Green's function (NEGF) is presented. The interaction with light used in the model is based on the first-order dipole approximation and the Fermi golden rule, which is used to obtain the transition rates due to photon emission or absorption. The bound states of the QD are obtained by solving numerically the eigenvalue problem of the Hamiltonian of the QD, while the continuum states are obtained from the retarded Green's function. The in-scattering and out-scattering self-energy functions due to photon interactions are calculated from the total transition rate and the quasi-Fermi level of the QD. The Green's functions of the QDs are obtained by numerically solving their governing kinetic equations using the method of finite differences. A quantum transport equation using the Green's functions is formed to calculate the dark and photocurrent. The model has been applied to simulate the dark current and responsivity of the RT-QDIP at different temperatures and applied biases. The simulated dark current and responsivity with this model are in good agreement with experimental results. The model was used to study the effect on the dark current and the responsivity resulting from changing the QD doping density and the barrier separation between QD layers. The detectivity is obtained for different design parameters. The model used is general and can be used as a tool for the design and prediction of the dark and photocurrent characteristics of different QDIP.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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