MétaCan
Menu
Retour à la cohorte
Enregistrement W2946157975 · doi:10.1039/c8nr10257k

Fight the flow: the role of shear in artificial rheotaxis for individual and collective motion

2019· article· en· W2946157975 sur OpenAlexaff
Remmi Baker, Joshua E. Kauffman, Abhrajit Laskar, Oleg E. Shklyaev, Mykhailo Potomkin, Leonardo Dominguez Rubio, Henry Shum, Yareslie Cruz-Rivera, Igor S. Aranson, Anna C. Balazs, Ayusman Sen

Notice bibliographique

RevueNanoscale · 2019
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueMicro and Nano Robotics
Établissements canadiensRegional Municipality of WaterlooUniversity of WaterlooToronto Metropolitan University
Organismes subventionnairesDivision of Materials ResearchMaterials Research Science and Engineering Center, Harvard UniversityPennsylvania State UniversityNational Science Foundation
Mots-clésCollective motionShear flowShear (geology)Motion (physics)Flow (mathematics)Classical mechanicsPhysicsGeologyMechanicsPaleontology

Résumé

récupéré en direct d'OpenAlex

To navigate in complex fluid environments, swimming organisms like fish or bacteria often reorient their bodies antiparallel or against the flow, more commonly known as rheotaxis. This reorientation motion enables the organisms to migrate against the fluid flow, as observed in salmon swimming upstream to spawn. Rheotaxis can also be realized in artificial microswimmers - self-propelled particles that mimic swimming microorganisms. Here we study experimentally and by computer simulations the rheotaxis of self-propelled gold-platinum nanorods in microfluidic channels. We observed two distinct modes of artificial rheotaxis: a high shear domain near the bottom wall of the microfluidic channel and a low shear regime in the corners. Reduced fluid drag in the corners promotes the formation of many particle aggregates that rheotax collectively. Our study provides insight into the biomimetic functionality of artificial self-propelled nanorods for dynamic self-assembly and the delivery of payloads to targeted locations.

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 seuil0,002

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 technologies0,0000,001
Communication savante0,0010,001
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 Opus0,008
Tête enseignante GPT0,217
Écart entre enseignants0,209 · 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

Citations48
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNanoscaleMême sujetMicro and Nano RoboticsTravaux en français237 207