Topography Tuning for Plasmonic Color Enhancement via Picosecond Laser Bursts
Notice bibliographique
Résumé
Abstract The tuning of 3D topographical features on silver for the production of plasmonic colors is reported. The topography is produced by applying closely time‐spaced laser bursts. Using laser bursts increases the Chroma of the colors produced by up to 100% compared to the nonburst coloring method. By adjusting the energy distribution of the laser pulses in a burst, while maintaining the total burst energy constant, significantly different color palettes and topographical structures are produced. Scanning electron microscope analysis of the surfaces produced reveals the creation of three distinct sets of laser‐induced periodic‐like surface structures (LIPSS): low spatial frequency LIPSS (LSFL), high spatial frequency LIPSS (HSFL), and large LIPSS that have a period about 7× that of the laser wavelength. Two‐temperature model simulations of silver irradiated by a laser burst show a significant increase in the electron–phonon coupling which is mainly responsible for the creation of LIPSS. Finite‐difference time‐domain simulations of a model of the surface, consisting of nanoparticles arranged on a sinusoidal‐modulated surface of varying amplitude (0 to 150 nm) and period (200 and 1000 nm), elucidate the importance of the HSFL and LSFL structures for color formation, including the increase in Chroma (saturation) observed experimentally.
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 | 0,000 | 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) | 0,001 | 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 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 ».