MétaCan
Menu
Retour à la cohorte
Enregistrement W2944827217 · doi:10.1088/1361-6587/ab249c

Sub-femtosecond electron bunches in laser wakefield acceleration via injection suppression with a magnetic field

2019· article· en· W2944827217 sur OpenAlexfundno aff
Qian Zhao, Su-Ming Weng, Min Chen, Ming Zeng, B. Hidding, D. A. Jaroszynski, R. Aßmann, Z. M. Sheng

Notice bibliographique

RevuePlasma Physics and Controlled Fusion · 2019
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueLaser-Plasma Interactions and Diagnostics
Établissements canadiensnon disponible
Organismes subventionnairesNational Key Research and Development Program of ChinaEngineering and Physical Sciences Research CouncilHorizon 2020 Framework ProgrammeNational Natural Science Foundation of ChinaEupraxia PharmaceuticalsShanghai Jiao Tong UniversityEuropean CommissionScience Challenge ProjectLaserlab-Europe
Mots-clésFemtosecondPlasmaMagnetic fieldElectronPhysicsAtomic physicsElectron densityLaserBunchesBubbleWakeMaterials scienceOpticsMechanicsNuclear physics

Résumé

récupéré en direct d'OpenAlex

Abstract It is shown that electron injection into a laser-driven plasma bubble can be manipulated by applying an external magnetic field in the presence of a plasma density gradient. The down-ramp of the density-tailored plasma locally reduces the plasma wave phase velocity, which triggers injection. The longitudinal magnetic field dynamically induces an expanding hole in the electron density distribution at the rear of the wake bubble, which reduces the peak electron velocity in its vicinity. Electron injection is suppressed when the electron velocity drops below the phase velocity, which depends on the size of the density hole. This enables the start and end of electron injection to be independently controlled, which allows generation of sub-femtosecond electron bunches with peak currents of a few kilo-Ampere, for an applied magnetic field of ∼10 Tesla.

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 Opus0,004
Tête enseignante GPT0,200
Écart entre enseignants0,196 · 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

Citations14
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePlasma Physics and Controlled FusionMême sujetLaser-Plasma Interactions and DiagnosticsTravaux en français237 207