Photoactive/Passive Molecular Glass Blends: An Efficient Strategy to Optimize Azomaterials for Surface Relief Grating Inscription
Notice bibliographique
Résumé
Irradiation of azomaterials causes various photophysical and photomechanical effects that can be exploited for the preparation of functional materials such as surface relief gratings (SRGs). Herein, we develop and apply an efficient strategy to optimize the SRG inscription process by decoupling, for the first time, the important effects of the azo content and glass transition temperature ( T g ). We prepare blends of a photoactive molecular glass functionalized with the azo Disperse Red 1 (gDR1) with a series of analogous photopassive molecular glasses. Blends with 10 and 40 mol % of gDR1 are completely miscible, present very similar optical properties, and cover a wide range of T g from below to well above ambient temperature. SRG inscription experiments show that the diffraction efficiency (DE), residual DE, and initial inscription rate reach a maximum when T g is 25–40 °C above ambient temperature for low to high azo content, respectively. Indeed, for a fixed 40 mol % azo content, choosing the optimal T g enables doubling the SRG inscription rate and increasing DE 6-fold. Moreover, a higher azo content enables higher DE for a similar T g . Spectroscopy measurements indicate that the photo-orientation of DR1 and its thermal stability are maximal with T g around 70 °C, independent of the azo content. We conclude that the SRG potential of azomaterials depends on their capability to photo-orient but that the matrix rigidity eventually limits the inscription kinetics, leading to an optimal T g that depends on the azo content. This study exposes clear material design guidelines to optimize the SRG inscription process and the photoactivity of azomaterials.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».