MétaCan
Menu
Retour à la cohorte
Enregistrement W2416124522 · doi:10.1088/0268-1242/31/11/114004

Electrical characterization of chemical and dielectric passivation of InAs nanowires

2016· article· en· W2416124522 sur OpenAlexafffund

Notice bibliographique

RevueSemiconductor Science and Technology · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueNanowire Synthesis and Applications
Établissements canadiensMcMaster UniversityUniversity of Waterloo
Organismes subventionnairesCanada Foundation for InnovationOntario Centres of ExcellenceNatural Sciences and Engineering Research Council of CanadaLockheed Martin
Mots-clésPassivationNanowireDielectricField-effect transistorQuantum dotHysteresisGate dielectricField effectOxide

Résumé

récupéré en direct d'OpenAlex

Abstract The native oxide at the surface of III−V nanowires, such as InAs, can be a major source of charge noise and scattering in nanowire-based electronics, particularly for quantum devices operated at low temperatures. Surface passivation provides a means to remove the native oxide and prevent its regrowth. Here, we study the effects of surface passivation and conformal dielectric deposition by measuring electrical conductance through nanowire field effect transistors treated with a variety of surface preparations. By extracting field effect mobility, subthreshold swing, threshold shift with temperature, and the gate hysteresis for each device, we infer the relative effects of the different treatments on the factors influencing transport. It is found that a combination of chemical passivation followed by deposition of an aluminum oxide dielectric shell yields the best results compared to the other treatments, and comparable to untreated nanowires. Finally, it is shown that an entrenched, top-gated device using an optimally treated nanowire can successfully form a stable double quantum dot at low temperatures. The device has excellent electrostatic tunability owing to the conformal dielectric layer and the combination of local top gates and a global back gate.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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 Opus0,005
Tête enseignante GPT0,196
Écart entre enseignants0,191 · 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 source (Gemma direct ou Codex distillé), 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

Citations16
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSemiconductor Science and TechnologyMême sujetNanowire Synthesis and ApplicationsTravaux en français237 207