MétaCan
Menu
Retour à la cohorte
Enregistrement W2066575046 · doi:10.1149/06401.0019ecst

Miniaturization of Photothermal Cantilever Deflection Spectroscopy with an Electrical Readout

2014· article· en· W2066575046 sur OpenAlexafffund
Seonghwan Kim, Dongkyu Lee, Thomas Thundat

Notice bibliographique

RevueECS Transactions · 2014
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMachine Learning in Materials Science
Établissements canadiensUniversity of AlbertaUniversity of Calgary
Organismes subventionnairesCanada Excellence Research Chairs, Government of CanadaCanada Research ChairsUniversity of Calgary
Mots-clésCantileverMiniaturizationPiezoresistive effectPhotothermal therapyDeflection (physics)Materials scienceOptoelectronicsNanotechnologySpectroscopyPhotothermal effectInfraredOpticsPhysics

Résumé

récupéré en direct d'OpenAlex

The chemical selectivity challenge of microcantilever sensors can be overcome by photothermal cantilever deflection spectroscopy (PCDS). A bi-material cantilever responds to heat generated by non-radiative decay process when the adsorbed molecules are resonantly excited with infrared (IR) light. The variation in cantilever deflection amplitude as a function of illuminating IR wavelength corresponds to the conventional IR absorption spectrum of the adsorbed molecules. In addition, the mass of the adsorbed molecules can be determined by measuring the resonance frequency shift of the cantilever for the quantitative analysis. This technique offers unprecedented opportunities for highly selective as well as sensitive chemical sensing without relying on chemoselective interfaces. However, conventional optical signal readout schemes employed for microcantilever sensors pose challenges on miniaturization and system level integration. Here, we demonstrate PCDS using a piezoresistive cantilever which can be easily miniaturized and integrated into a portable sensor platform.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,319
Score d'incertitude au seuil0,999

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)0,0010,000

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 GPT0,241
Écart entre enseignants0,235 · 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.

Devis d'étudeExpérimental (laboratoire)
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

Citations0
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueECS TransactionsMême sujetMachine Learning in Materials ScienceTravaux en français237 207