MétaCan
Menu
Retour à la cohorte
Enregistrement W2936572025 · doi:10.1073/pnas.1820890116

Large bandgap of pressurized trilayer graphene

2019· article· en· W2936572025 sur OpenAlexaff
Feng Ke, Yabin Chen, Ketao Yin, Jiejuan Yan, Hengzhong Zhang, Zhenxian Liu, John S. Tse, Junqiao Wu, Ho‐kwang Mao, Bin Chen

Notice bibliographique

RevueProceedings of the National Academy of Sciences · 2019
Typearticle
Langueen
DomaineMaterials Science
ThématiqueGraphene research and applications
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesDivision of Materials ResearchNational Safety Academic FundNational Science Foundation
Mots-clésGrapheneMaterials scienceBand gapBilayer grapheneOptoelectronicsNanotechnologyElectronicsAbsorption (acoustics)TransistorVoltageElectrical engineeringComposite material

Résumé

récupéré en direct d'OpenAlex

Graphene-based nanodevices have been developed rapidly and are now considered a strong contender for postsilicon electronics. However, one challenge facing graphene-based transistors is opening a sizable bandgap in graphene. The largest bandgap achieved so far is several hundred meV in bilayer graphene, but this value is still far below the threshold for practical applications. Through in situ electrical measurements, we observed a semiconducting character in compressed trilayer graphene by tuning the interlayer interaction with pressure. The optical absorption measurements demonstrate that an intrinsic bandgap of 2.5 ± 0.3 eV could be achieved in such a semiconducting state, and once opened could be preserved to a few GPa. The realization of wide bandgap in compressed trilayer graphene offers opportunities in carbon-based electronic 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.

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)0,002
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 enseignants0,055
Score d'incertitude au seuil0,214

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,038
Tête enseignante GPT0,324
Écart entre enseignants0,286 · 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

Citations86
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the National Academy of SciencesMême sujetGraphene research and applicationsTravaux en français237 207