Advances in Surface Plasmon Resonance Imaging Enable Quantitative Tracking of Nanoscale Changes in Thickness and Roughness
Notice bibliographique
Résumé
To date, detailed studies of the thickness of coatings using surface plasmon resonance have been limited to samples that are very uniform in thickness, and this technique has not been applied quantitatively to samples that are inherently rough or undergo instabilities with time. Our manuscript describes a significant improvement to surface plasmon resonance imaging (SPRi) that allows this sensitive technique to be used for quantitative tracking of the thickness and roughness of surface coatings that are rough on the scale of tens of nanometers. We tested this approach by studying samples with an idealized, one-dimensional roughness: patterned channels in a thin polymer film. We find that a novel analysis of the SPRi data collected with the plane of incidence parallel to the patterned channels allows the determination of the thickness profile of the channels in the polymer film, which is in agreement with that measured using atomic force microscopy. We have further validated our approach by performing SPRi measurements perpendicular to the patterned channels, for which the measured SPR curve agrees well with the single SPR curve calculated using the average thickness determined from the thickness profile as determined using AFM. We applied this analysis technique to track the average thickness and RMS roughness of cellulose microfibrils upon exposure to cellulolytic enzymes, providing quantitative determinations of the times of action of the enzymes that are of direct interest to the cellulosic ethanol industry.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».