Probing plasma-treated graphene using hyperspectral Raman
Notice bibliographique
Résumé
Raman spectroscopy provides rich optical signals that can be used, after data analysis, to assess if a graphene layer is pristine, doped, damaged, functionalized, or stressed. The area being probed by a conventional Raman spectrometer is, however, limited to the size of the laser beam (∼1 µm); hence, detailed mapping of inhomogeneities in a graphene sample requires slow and sequential acquisition of a Raman spectrum at each pixel. Studies of physical and chemical processes on polycrystalline and heterogeneous graphene films require more advanced hyperspectral Raman capable of fast imaging at a high spatial resolution over hundreds of microns. Here, we compare the capacity of two different Raman imaging schemes (scanning and global) to probe graphene films modified by a low-pressure plasma treatment and present an analysis method providing assessments of the surface properties at local defects, grain boundaries, and other heterogeneities. By comparing statistically initial and plasma-treated regions of graphene, we highlight the presence of inhomogeneities after plasma treatment linked to the initial state of the graphene surface. These results provided statistical results on the correlation between the graphene initial state and the corresponding graphene-plasma interaction. This work further demonstrates the potential use of global hyperspectral Raman imaging with advanced Raman spectra analysis to study graphene physics and chemistry on a scale of hundreds of microns.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».