MétaCan
Menu
Retour à la cohorte
Enregistrement W2327288765 · doi:10.1109/nano.2014.6968083

Metal and organic nanostructure fabrication by electron beam lithography and dry liftoff

2014· article· en· W2327288765 sur OpenAlexaff
Arwa Saud Abbas, Sondos Abdullah Alqarni, Babak Shokouhi, Abdullah Saud Abbas, Mustafa Yavuz, Bo Cui

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofabrication and Lithography Techniques
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesSaudi Arabian Cultural Bureau
Mots-clésResistMaterials scienceElectron-beam lithographyDry etchingNanolithographyNanotechnologyPolystyreneFabricationPlasma etchingLithographyEtching (microfabrication)Substrate (aquarium)Composite materialOptoelectronicsPolymer

Résumé

récupéré en direct d'OpenAlex

Liftoff and direct etch are the two most popular pattern transfer methods used for nanofabrication. The latter is limited by the etching rate selectivity between the resist and the substrate material, which is usually on the order of unity for dry plasma etching. Moreover, some metals including most noble metals cannot be dry etched. Thus liftoff is often the preferred pattern transfer method. Liftoff is typically carried out using a solvent that dissolves the resist. A strong solvent aided by ultrasonic agitation and/or heating is sometimes needed if the resist is difficult to dissolve due to, for example, cross-linking by exposure to electron beam or plasma. Another serious issue with conventional liftoff process is that the metal debris may stay at the active device area after drying. To avoid the above issues, dry liftoff using mechanical approach may be utilized. Here we report a simple dry liftoff technique using a scotch tape to peel off the resist film coated with the material to lift off. We obtained high resolution (down to 50 nm) liftoff of metal and organic materials polystyrene and Alq3, with PMMA as electron beam resist coated on a substrate treated with a low energy surfactant.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,278
Score d'incertitude au seuil0,503

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 Opus0,001
Tête enseignante GPT0,169
Écart entre enseignants0,167 · 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'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

Citations3
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNanofabrication and Lithography TechniquesTravaux en français237 207