Enhanced Sn incorporation in GeSn epitaxial semiconductors via strain relaxation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We investigate the effect of strain on the morphology and composition of GeSn layers grown on Ge/Si virtual substrates. By using buffer layers with controlled thickness and Sn content, we demonstrate that the lattice parameter can be tuned to reduce the strain in the growing top layer (TL) leading to the incorporation of Sn up to 18 at. %. For a 7 at. % bottom layer (BL) and a 11-13 at. % middle layer (ML), the optimal total thickness tGeSn = 250-400 nm provides a large degree of strain relaxation without apparent nucleation of dislocations in the TL, while incorporating Sn at concentrations of 15 at. % and higher. Besides facilitating the growth of Sn-rich GeSn, the engineering of the lattice parameter also suppresses the gradient in Sn content in the TL, yielding a uniform composition. We correlate the formation of the surface cross-hatch pattern with the critical thickness hG for the nucleation and gliding of misfit dislocations at the GeSn-Ge interface that originate from gliding of pre-existing threading dislocations in the substrate. When the GeSn layer thickness raises above a second critical thickness hN, multiple interactions between dislocations take place, leading to a more extended defective ML/BL, thus promoting additional strain relaxation and reduces the compositional gradient in the ML. From these studies, we infer that the growth rate and the Ge-hydride precursors seem to have a limited influence on the growth kinetics, while lowering temperature and enhancing strain relaxation are central in controlling the composition of GeSn. These results contribute to the fundamental understanding of the growth of metastable, Sn-containing group-IV semiconductors, which is crucial to improve the fabrication and design of silicon-compatible mid-infrared photonic devices.
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.
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 | 0,000 | 0,000 |
| 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 découle