MétaCan
Menu
Retour à la cohorte
Enregistrement W3088851791 · doi:10.1063/5.0020368

Control of germanium diffusion using low quantities of co-implanted silicon isotopes

2020· article· en· W3088851791 sur OpenAlexaff
A. Nélis, David Barba, G. Terwagne

Notice bibliographique

RevueJournal of Applied Physics · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSilicon Nanostructures and Photoluminescence
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesnon disponible
Mots-clésSiliconGermaniumRaman spectroscopyMaterials scienceAnalytical Chemistry (journal)Rutherford backscattering spectrometryNuclear reaction analysisAnnealing (glass)Ion implantationDiffusionFluenceSpectroscopyIonChemistryNanotechnologyThin filmOptoelectronics

Résumé

récupéré en direct d'OpenAlex

The thermal diffusion of Ge implanted into SiO2 films growth on a Si substrate has been studied by nuclear analyses and μ-Raman spectroscopy with and without the presence of co-implanted 30Si and 29Si barriers, each located from both sides of the Ge implanted distribution. Combination of Rutherford backscattering spectroscopy and Resonant nuclear reaction analysis shows that, under thermal activation at 1100°C, implanted Ge diffuses differently toward the sample surface and the SiO2/Si interface due to the occurrence of Ge outgassing effects, as well as the non-homogenous distributions of the implanted ion species and the defects they have generated inside SiO2. A maximum local atom concentration of co-implanted silicon as low as ∼1.6 at. % is found to completely block the germanium diffusion in both directions, leading to the formation of Ge nanocrystals and Si/Ge aggregates evidenced by μ-Raman spectroscopy. In addition to highlighting the role of Si excess on the Ge trapping mechanism, such a result makes the nominal silicon oxide stoichiometry and composition two crucial parameters to stabilize Ge during high temperature annealing, which explains the strong discrepancies reported for the Ge thermal diffusion coefficient in the literature.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,430

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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 Opus0,018
Tête enseignante GPT0,249
Écart entre enseignants0,231 · 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'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

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Applied PhysicsMême sujetSilicon Nanostructures and PhotoluminescenceTravaux en français237 207