Tuning Gold Nanoparticle Self-Assembly for Optimum Coherent Anti-Stokes Raman Scattering and Second Harmonic Generation Response
Notice bibliographique
Résumé
The research and development of new substrates for use in surface-enhanced spectroscopy is primarily motivated by the ability to tune such substrates to provide maximum signal enhancement and therefore lower detection limits. We examined a series of multilayer nanoparticle (NP) arrays with between 1 and 17 NP layers using two nonlinear optical (NLO) techniques: Coherent anti-Stokes Raman scattering (CARS) and second harmonic generation (SHG). The CARS signal of oxazine 720 was monitored at 1600 cm −1 using a 709-nm pump beam and an 800-nm stokes beam. Maximum signal was observed for 11 NP layers and is attributed to the matching of the CARS signal and the substrate surface plasmon excitation at 637 nm. The CARS signal for the 3000-cm −1 C−H stretching vibration showed maximum enhancement at 13 NP layers. The maximum SHG signal enhancement occurred at 13 NP layers, with a 50-fold overall enhancement of the SHG signal. We demonstrate that the NP-containing substrates can be tuned to provide maximum NLO response based on the number of NP depositions and the wavelength(s) involved in the NLO experiments. These multilayer NP arrays yield a stable and modular spectroscopic substrate advantageous for a variety of surface-enhanced spectroscopic techniques.
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 | 0,001 | 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 ».