Computational characterization of plasma effects in ultrafast laser irradiation of spherical gold nanostructures for photothermal therapy
Notice bibliographique
Résumé
Abstract Ultrashort pulsed lasers can provide high peak intensity with low pulse fluence. This makes them an ideal choice in photothermal therapy and applications where damage to the surrounding material needs to be minimized. Depending on the peak intensity, the ultrashort pulsed laser’s interaction with matter can lead to plasma formation through nonlinear effects such as multiphoton and impact electron excitation. The capability of the spherical gold nanoparticles, as the most employed nanoparticle so far for photothermal therapy, to enhance and strongly localize the incident laser field leads to plasma formation around the particles at even lower pulse fluences. Under certain circumstances, during the pulse duration, this plasma can absorb more energy than the nanoparticle itself. Consequently, the absorbed energy by the generated plasma can act as an energy source for different phenomena such as the evolution of the temperature distribution, thermoelastic stress generation, and stress-induced bubble formation. In this paper, we study the plasma-mediated interaction of a 45 fs pulsed laser with two types of spherical gold nanoparticles in water: solid nanoparticle and core–shell (silica–gold) nanoparticle. We use a numerical framework based on the finite element method (FEM) to compare energy deposition profiles in these nanoparticles and in their surrounding plasma, by focusing on the impact of the nanoparticle size and the laser fluence. Our calculations show that the maximum energy deposition in plasma occurs in core–shell nanoparticles with a diameter of 130 nm and the ratio of core to shell radius of 0.8 and in solid nanoparticles with a diameter of 170 nm.
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 | 0,000 | 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 ».