MétaCan
Menu
Retour à la cohorte
Enregistrement W2897964483 · doi:10.2351/1.5059837

Laser machining of silicon for photonics components

2001· article· en· W2897964483 sur OpenAlexaff
Marc Nantel, Yuri Yashkir, Seongkuk Lee, Bernard Hockley

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueLaser Material Processing Techniques
Établissements canadiensOccupational Cancer Research Centre
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceSiliconEtching (microfabrication)LaserWaferMachiningOptoelectronicsSurface micromachiningHybrid silicon laserDry etchingIsotropic etchingPhotonicsUltravioletSemiconductorOpticsFabricationNanotechnologyMetallurgy

Résumé

récupéré en direct d'OpenAlex

Machining silicon has been a mainstay of the semiconductor industry for decades. While this has traditionally being done through wet chemical etching, other techniques are worth exploring. This is especially true for efforts in the pursuit of integrating photonics devices on a single chip to facilitate their production, for which a non-wet, non-contact, arbitrary-shape milling of silicon would be best. In this paper, we present our latest work in the laser micromachining of silicon. A kilohertz-repetition-rate diode-pumped Nd:YLF laser (in infrared, green or ultraviolet modes) is focused on the surface of silicon wafers in a chlorine atmosphere for enhanced magnitude and control of the etching rate. In the chlorine atmosphere, much less debris is deposited on the surface around the cut, sub-damage threshold machining is achieved for a better control of the etching depth, and etching rates ranging from 20-300,000 µm3/s have been measured.

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 enseignants0,157
Score d'incertitude au seuil0,247

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 Opus0,020
Tête enseignante GPT0,242
Écart entre enseignants0,222 · 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

Citations1
Publié2001
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetLaser Material Processing TechniquesTravaux en français237 207