Insight on the silver catalyst distribution during silicon nanowire array formation: an X-ray reflectivity study
Notice bibliographique
Résumé
Although metal-catalysts are commonly used to create nanoscale materials at surfaces, little is quantitatively known or understood about the depth distribution profile of the catalyst during the growth process. Using X-ray reflectivity, we report the first quantitative investigation, with nanoscale resolution, of the Ag metal-catalyst depth distribution profile during metal-assisted chemical etch (MACE) growth of Si nanowire (SiNW) arrays on Si(100). Given the very low optical reflectivity of these nanowire arrays, specular reflection from these materials in the X-ray region is extremely challenging to measure because it probes interfaces on the nanoscale. Nevertheless, we demonstrate that with suitable investigation, X-ray specular reflection can be measured and utilized to obtain unique structural information about the composition profile of both Ag and Si. The measurements, which also include X-ray diffraction and complementary electron microscopy, reveal that the Ag nanoparticles distribute along the length of the nanowires upon etching with a Ag density that increases towards the etch front. The Ag nanoparticles coarsen with etch time, indicating a high mobility of Ag ions even though we also find that the Ag does not migrate from the SiNW region into the etch bath during etching. The Ag density gradient and the Ag mobility suggest the existence of a strong chemical force that attracts Ag towards the etch front. These results provide unique and important new insight into the growth process for creating SiNWs from wet chemical etching using metal-catalysts.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».