MétaCan
Menu
Retour à la cohorte
Enregistrement W2523806856 · doi:10.1149/ma2016-02/17/1506

In-Situ Rare Earth Doping of Silicon-Based Nanostructures By Plasma Enhanced Chemical Vapour Deposition

2016· article· en· W2523806856 sur OpenAlexaff
Peter Mascher, Jacek Wójcik, Zahra Khatami, Jeremy W. Miller

Notice bibliographique

RevueECS Meeting Abstracts · 2016
Typearticle
Langueen
DomaineMaterials Science
ThématiqueZnO doping and properties
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceDopantPlasma-enhanced chemical vapor depositionElectron cyclotron resonanceDopingChemical vapor depositionSputter depositionSiliconNanotechnologySputteringPlasmaOptoelectronicsDeposition (geology)Thin filmPhysicsGeology

Résumé

récupéré en direct d'OpenAlex

In order for Si-based materials to be used in solid-state lighting (SSL) schemes it is necessary to have precise control of the optical emission from these materials. This can be accomplished through the use of rare earth dopants such as Ce, Tb, and Eu to obtain blue, green, and red emissions, respectively. After a brief review of the latest developments in the field, this talk will focus on several in-situ doping approaches to achieving very high, optically active concentrations of the rare earths. The methodologies include electron cyclotron resonance plasma enhanced chemical vapour deposition (ECR-PECVD), inductively coupled plasma (ICP) CVD as low thermal budget processes for film deposition, reactive sputtering, as well as the use of a recently installed Circular High Vacuum Magnetron Sputtering source attached to the ECR-PECVD tool. We will describe the salient features of the deposition systems and correlate important process parameters with the observed luminescence. Finally, we will discuss some of the challenges in developing electrically driven lighting cells suitable for SSL and in particular, for the development of widely tuneable Si-based light sources. This work has been supported by the Natural Sciences and Engineering Research Council (NSERC) under its Discovery Grants Program.

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 enseignants0,005
Score d'incertitude au seuil0,452

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 Opus0,010
Tête enseignante GPT0,224
Écart entre enseignants0,214 · 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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetZnO doping and propertiesTravaux en français237 207