MétaCan
Menu
Retour à la cohorte
Enregistrement W2916444796 · doi:10.1002/adma.201807083

Stoichiometric Engineering of Chalcogenide Semiconductor Alloys for Nanophotonic Applications

2019· article· en· W2916444796 sur OpenAlexaff
Davide Piccinotti, Behrad Gholipour, Jin Yao, Kevin F. MacDonald, Brian E. Hayden, Nikolay I. Zheludev

Notice bibliographique

RevueAdvanced Materials · 2019
Typearticle
Langueen
DomaineMaterials Science
ThématiqueQuantum Dots Synthesis And Properties
Établissements canadiensUniversity of Alberta
Organismes subventionnairesEngineering and Physical Sciences Research CouncilMinistry of Education, IndiaMinistry of Education - Singapore
Mots-clésMaterials scienceChalcogenidePlasmonFigure of meritSemiconductorNanophotonicsMetamaterialOptoelectronicsDielectricNitrideNanotechnology

Résumé

récupéré en direct d'OpenAlex

A variety of alternative plasmonic and dielectric material platforms-among them nitrides, semiconductors, and conductive oxides-have come to prominence in recent years as means to address the shortcomings of noble metals (including Joule losses, cost, and passive character) in certain nanophotonic and optical-frequency metamaterial applications. Here, it is shown that chalcogenide semiconductor alloys offer a uniquely broad pallet of optical properties, complementary to those of existing material platforms, which can be controlled by stoichiometric design. Using combinatorial high-throughput techniques, the extraordinary epsilon-near-zero, plasmonic, and low/high-index characteristics of Bi:Sb:Te alloys are explored. Depending upon composition they can, for example, have plasmonic figures of merit higher than conductive oxides and nitrides across the entire UV-NIR range, and higher than gold below 550 nm; present dielectric figures of merit better than conductive oxides at near-infrared telecommunications wavelengths; and exhibit record-breaking refractive indices as low as 0.7 and as high as 11.5.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,011
Tête enseignante GPT0,229
Écart entre enseignants0,218 · 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 source (Gemma direct ou Codex distillé), 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

Citations37
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced MaterialsMême sujetQuantum Dots Synthesis And PropertiesTravaux en français237 207