How to induce superconductivity in epitaxial graphene via remote proximity effect through an intercalated gold layer
Notice bibliographique
Résumé
Abstract Graphene holds promises for exploring exotic superconductivity with Dirac-like fermions. Making graphene a superconductor at large scales is however a long-lasting challenge. A possible solution relies on epitaxially-grown graphene, using a superconducting substrate. Such substrates are scarce, and usually destroy the Dirac character of the electronic band structure. Using electron diffraction (reflection high-energy, and low-energy), scanning tunneling microscopy and spectroscopy, atomic force microscopy, angle-resolved photoemission spectroscopy, Raman spectroscopy, and density functional theory calculations, we introduce a strategy to induce superconductivity in epitaxial graphene via a remote proximity effect, from the rhenium substrate through an intercalated gold layer. Weak graphene–Au interaction, contrasting with the strong undesired graphene–Re interaction, is demonstrated by a reduced graphene corrugation, an increased distance between graphene and the underlying metal, a linear electronic dispersion and a characteristic vibrational signature, both latter features revealing also a slight p doping of graphene. We also reveal that the main shortcoming of the intercalation approach to proximity superconductivity is the creation of a high density of point defects in graphene (10 14 cm −2 ). Finally, we demonstrate remote proximity superconductivity in graphene/Au/Re(0001), at low temperature.
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 ».