Thermoplasmonic Response of Semiconductor Nanoparticles: A Comparison with Metals
Notice bibliographique
Résumé
Abstract A number of applications in nanoplasmonics utilize noble metals, gold (Au) and silver (Ag), as the materials of choice. However, these materials suffer from problems of poor thermal and chemical stability with significant dissipative losses under high‐temperature conditions. In this regard, semiconductor nanoparticles have attracted attention with their promising characteristics of highly tunable plasmonic resonances, low ohmic losses, and greater thermochemical stability. Here, the size‐dependent thermoplasmonic properties of semiconducting silicon and gallium arsenide nanoparticles are investigated to compare them with Au nanoparticles using Mie theory. To this end, experimentally estimated models of dielectric permittivity are employed. Among the various permittivity models for Au, the Drude–Lorentz (DL) and the Drude and critical points (DCP) models are further compared. Results show a redshift in the scattering and absorption resonances for the DL model while the DCP model presents a blueshift. A massive Drude broadening contributes strongly to the damping of resonances in Au nanoparticles at elevated temperatures. In contrast, the semiconductor nanoparticles do not exhibit significant deterioration in their scattering and absorption resonances at high temperatures. In combination with low dissipative damping, this makes the semiconductor nanoparticles better suited for high‐temperature applications in nanoplasmonics wherein the noble metals suffer from excessive heating.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».