Modeling ultrafast laser-induced nanocavitation around plasmonic nanoparticles (Conference Presentation)
Notice bibliographique
Résumé
Vapor nanobubbles generated around plasmonic nanoparticles (NPs) by ultrafast laser irradiation are efficient for inducing localized damage to living cells. Killing targeted cancer cells or gene delivery can therefore be envisioned using this new technology [1,2]. The extent of the damage and its non-lethal character are linked to the size of the nanobubble. Precise understanding of the mechanisms leading to bubble formation around plasmonic nanostructures is necessary to optimize the technique. In this presentation, we present a complete model that successfully describes all interactions occurring during the irradiation of plasmonics nanostructures by an ultrafast laser of various pulse widths and fluences. Nanoavitation is caused by the interplay between heat conduction at the NP-medium interface and non-linear plasmon-enhanced photoionization of a nanoplasma in the near-field [3-5], the former being dominant for in-resonance and the latter for off-resonance irradiation. Modeling of the whole laser-nanoparticle interaction, together with the help of the shadowgraphic imaging and scattering techniques [3-5], give valuable insight on the mechanisms of cavitation at the nanoscale, leading to possible optimization of the nanostructure for bubble-based nanomedicine applications. 1- E. Boulais, R. Lachaine, A. Hatef, and M. Meunier, Journal of Photochemistry and Photobiology C: Photochemistry Reviews 17, 26-49 (2013). 2- E. Bergeron, S. Patskovsky, D. Rioux, and M. Meunier, Nanoscale 7,17836-17847 (2015). 3- E. Boulais, R. Lachaine, and M. Meunier, Nano Letters 12, 4763-4769 (2012). 4- R. Lachaine, E. Boulais, and M. Meunier, ACS Photonics 1, 331-336 (2014). 5- C. Boutopoulos, A. Hatef, M. Fortin-Deschênes, and M. Meunier Nanoscale 7,11758-11765 (2015).
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 | 0,000 | 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 | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».