MétaCan
Menu
Retour à la cohorte
Enregistrement W2766755891 · doi:10.1126/science.aar5220

Improving mechanical sensor performance through larger damping

2018· preprint· en· W2766755891 sur OpenAlexafffund
Swapan K. Roy, Vincent T. K. Sauer, Jocelyn N. Westwood‐Bachman, Anandram Venkatasubramanian, Wayne K. Hiebert

Notice bibliographique

RevueScience · 2018
Typepreprint
Langueen
DomainePhysics and Astronomy
ThématiqueMechanical and Optical Resonators
Établissements canadiensNational Institute for NanotechnologyUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAlberta InnovatesAlberta Innovates - Health SolutionsAlberta Innovates - Technology FuturesCMC Microsystems
Mots-clésLaser linewidthQ factorBandwidth (computing)Materials scienceAcousticsVibrationNanoscopic scaleOptoelectronicsPhysicsOpticsNanotechnologyComputer scienceResonatorTelecommunications

Résumé

récupéré en direct d'OpenAlex

Mechanical resonances are used in a wide variety of devices, from smartphone accelerometers to computer clocks and from wireless filters to atomic force microscopes. Frequency stability, a critical performance metric, is generally assumed to be tantamount to resonance quality factor (the inverse of the linewidth and of the damping). We show that the frequency stability of resonant nanomechanical sensors can be improved by lowering the quality factor. At high bandwidths, quality-factor reduction is completely mitigated by increases in signal-to-noise ratio. At low bandwidths, notably, increased damping leads to better stability and sensor resolution, with improvement proportional to damping. We confirm the findings by demonstrating temperature resolution of 60 microkelvin at 300-hertz bandwidth. These results open the door to high-performance ultrasensitive resonators in gaseous or liquid environments, single-cell nanocalorimetry, nanoscale gas chromatography, atmospheric-pressure nanoscale mass spectrometry, and new approaches in crystal oscillator stability.

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)0,001
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: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,319
Score d'incertitude au seuil0,874

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,024
Tête enseignante GPT0,285
Écart entre enseignants0,261 · 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'étudeThéorique ou conceptuel
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

Citations3
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScienceMême sujetMechanical and Optical ResonatorsTravaux en français237 207