MétaCan
Menu
Retour à la cohorte
Enregistrement W2002701515 · doi:10.1063/1.3673871

Steady state discharge optimization in high-power impulse magnetron sputtering through the control of the magnetic field

2012· article· en· W2002701515 sur OpenAlexafffund
Jiří Čapek, M. Hála, O. Zabeida, J.E. Klemberg-Sapieha, L. Martinů

Notice bibliographique

RevueJournal of Applied Physics · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueMetal and Thin Film Mechanics
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésHigh-power impulse magnetron sputteringSputter depositionMaterials scienceMagnetic fieldCavity magnetronSputteringSteady state (chemistry)PlasmaGraphiteParamagnetismNuclear magnetic resonanceOptoelectronicsAnalytical Chemistry (journal)Atomic physicsChemistryNanotechnologyComposite materialCondensed matter physicsPhysicsThin film

Résumé

récupéré en direct d'OpenAlex

High-power impulse magnetron sputtering (HiPIMS) is a pulsed DC sputtering technique utilizing high power density peaks of typically more than 100 W cm−2. The discharge operation at such elevated powers can be hindered by the magnetron configuration (size and magnetic field) and/or the target conditions (e.g., material and thickness). In addition, target erosion is an important issue significantly affecting process reproducibility. In the present work, we propose a simple approach for the stabilization of the HiPIMS discharge by controlling the target magnetic field using paramagnetic spacers with different thicknesses in between the magnetron surface and the target. We demonstrate a straightforward discharge optimization, while using various target materials, such as Nb, Ta, Cr, Al, Ti, Si, and even C (graphite). The existence of a steady state high density discharge above the graphite target and the other targets in general is discussed in terms of the magnetic field configuration and the gas rarefaction effect.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,345
Score d'incertitude au seuil0,266

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,190
Écart entre enseignants0,184 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations42
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Applied PhysicsMême sujetMetal and Thin Film MechanicsTravaux en français237 207