Atomic defect classification of the H–Si(100) surface through multi-mode scanning probe microscopy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The combination of scanning tunnelling microscopy (STM) and non-contact atomic force microscopy (nc-AFM) allows enhanced extraction and correlation of properties not readily available via a single imaging mode. We demonstrate this through the characterization and classification of several commonly found defects of the hydrogen-terminated silicon (100)-2 × 1 surface (H-Si(100)-2 × 1) by using six unique imaging modes. The H-Si surface was chosen as it provides a promising platform for the development of atom scale devices, with recent work showing their creation through precise desorption or placement of surface hydrogen atoms. While samples with relatively large areas of the H-Si surface are routinely created using an in situ methodology, surface defects are inevitably formed reducing the area available for patterning. By probing the surface using the different interactivity afforded by either hydrogen- or silicon-terminated tips, we are able to extract new insights regarding the atomic and electronic structure of these defects. This allows for the confirmation of literature assignments of several commonly found defects, as well as proposed classifications of previously unreported and unassigned defects. By combining insights from multiple imaging modes, better understanding of their successes and shortcomings in identifying defect structures and origins is achieved. With this, we take the first steps toward enabling the creation of superior H-Si surfaces through an improved understanding of surface defects, ultimately leading to more consistent and reliable fabrication of atom scale 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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle