MétaCan
Menu
Retour à la cohorte
Enregistrement W3026575876 · doi:10.1002/adom.202070040

Gradient Refractive Index (GRIN) Optics: Monolithic Chalcogenide Optical Nanocomposites Enable Infrared System Innovation: Gradient Refractive Index Optics (Advanced Optical Materials 10/2020)

2020· article· en· W3026575876 sur OpenAlexaff
Myungkoo Kang, Laura Sisken, Charmayne Lonergan, Andrew Buff, Anupama Yadav, Claudia Gonçalves, Cesar Blanco, Peter Wachtel, J. David Musgraves, Alexej Pogrebnyakov, Erwan Baleine, Clara Rivero‐Baleine, Theresa S. Mayer, Carlo G. Pantano, Kathleen Richardson

Notice bibliographique

RevueAdvanced Optical Materials · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiquePhase-change materials and chalcogenides
Établissements canadiensLockheed Martin (Canada)
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceRefractive indexNanocompositeOpticsChalcogenideChalcogenide glassOptoelectronicsVolume fractionInfraredComposite materialPhysics

Résumé

récupéré en direct d'OpenAlex

This cover picture, referring to article number 2000150 by Myungkoo Kang, Kathleen A. Richardson and co-workers, illustrates that multi-component Ge–As–Pb–Se chalcogenide glasses are capable of forming transparent optical glass ceramic nanocomposites with the potential for use as infrared gradient refractive index optical components. Through a simple gradient heat treatment protocol, the glass system is converted to a nanocomposite where the spatially varying volume fraction of nucleated nanocrystals defines the resulting nanocomposite's effective optical properties. This modification results in systematic variations in refractive index and Abbe number of the transmissive nanocomposites. These data are critical in that they provide the design input data required to engineer arbitrarily-shaped, single-component gradient refractive index lenses with minimum spectral aberration. (Cover illustration: courtesy of Mia Truman.)

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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,054
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0030,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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 Opus0,022
Tête enseignante GPT0,265
Écart entre enseignants0,242 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced Optical MaterialsMême sujetPhase-change materials and chalcogenidesTravaux en français237 207