MétaCan
Menu
Retour à la cohorte
Enregistrement W3003443040 · doi:10.1021/acs.nanolett.9b05342

Engineering Directionality in Quantum Dot Shell Lasing Using Plasmonic Lattices

2020· article· en· W3003443040 sur OpenAlexafffund
Jun Guan, Laxmi Kishore Sagar, Ran Li, Danqing Wang, Golam Bappi, Nicolas E. Watkins, Marc R. Bourgeois, Larissa Levina, Fengjia Fan, Sjoerd Hoogland, Oleksandr Voznyy, João M. Pina, Richard D. Schaller, George C. Schatz, Edward H. Sargent, Teri W. Odom

Notice bibliographique

RevueNano Letters · 2020
Typearticle
Langueen
DomaineEngineering
ThématiquePlasmonic and Surface Plasmon Research
Établissements canadiensUniversity of Toronto
Organismes subventionnairesDivision of Materials ResearchDivision of Electrical, Communications and Cyber SystemsMaterials Research Science and Engineering Center, Harvard UniversityNatural Sciences and Engineering Research Council of CanadaNorthwestern UniversityU.S. Department of DefenseNational Science Foundation
Mots-clésDirectionalityQuantum dotPlasmonLasing thresholdShell (structure)OptoelectronicsMaterials sciencePlasmonic nanoparticlesNanotechnologyPhysicsWavelength

Résumé

récupéré en direct d'OpenAlex

We report how the direction of quantum dot (QD) lasing can be engineered by exploiting high-symmetry points in plasmonic nanoparticle (NP) lattices. The nanolaser architecture consists of CdSe-CdS core-shell QD layers conformally coated on two-dimensional square arrays of Ag NPs. Using waveguide-surface lattice resonances (W-SLRs) near the Δ point in the Brillouin zone as optical feedback, we achieved lasing from the gain in CdS shells at off-normal emission angles. Changing the periodicity of the plasmonic lattices enables other high-symmetry points (Γ or M) of the lattice to overlap with the QD shell emission, which facilitates tuning of the lasing direction. We also increased the thickness of the QD layer to introduce higher-order W-SLR modes with additional avoided crossings in the band structure, which expands the selection of cavity modes for any desired lasing emission angle.

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)0,000
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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,391
Score d'incertitude au seuil0,882

Scores Codex et Gemma par catégorie

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)0,0000,000

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 Opus0,032
Tête enseignante GPT0,242
Écart entre enseignants0,210 · 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'étudeSimulation ou modélisation
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

Citations78
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNano LettersMême sujetPlasmonic and Surface Plasmon ResearchTravaux en français237 207