MétaCan
Menu
Retour à la cohorte
Enregistrement W3099339188 · doi:10.1038/s43246-020-00076-0

Large spin-Hall effect in non-equilibrium binary copper alloys beyond the solubility limit

2020· article· en· W3099339188 sur OpenAlexaff
Hiroto Masuda, Rajkumar Modak, Takeshi Seki, Ken‐ichi Uchida, Yong‐Chang Lau, Yuya Sakuraba, Ryo Iguchi, Kōki Takanashi

Notice bibliographique

RevueCommunications Materials · 2020
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueMagnetic properties of thin films
Établissements canadiensInnovation Cluster (Canada)
Organismes subventionnairesCore Research for Evolutional Science and TechnologyJapan Society for the Promotion of Science
Mots-clésSpintronicsBinary numberSpin (aerodynamics)CopperCondensed matter physicsMaterials scienceSolubilitySpin Hall effectHall effectThermodynamicsMagnetic fieldChemistryPhysicsPhysical chemistrySpin polarizationMetallurgyQuantum mechanicsFerromagnetism

Résumé

récupéré en direct d'OpenAlex

Abstract Non-magnetic materials exhibiting large spin-Hall effect (SHE) are eagerly desired for high-performance spintronic devices. Here, we report that non-equilibrium Cu-Ir binary alloys with compositions beyond the solubility limit are candidates as spin-Hall materials, even though Cu and Ir do not exhibit remarkable SHE themselves. Thanks to non-equilibrium thin film fabrication, the Cu-Ir binary alloys are obtained over a wide composition range even though they are thermodynamically unstable in bulk form. We investigate the SHE of Cu-Ir by exploiting a combinatorial technique based on spin Peltier imaging, and find that the optimum Ir concentration for enhancing SHE is around 25 at.%. We achieve a large spin-Hall angle of 6.29 ± 0.19% for Cu76Ir24. In contrast to Cu-Ir, non-equilibrium Cu-Bi binary alloys do not show remarkable SHE. Our discovery opens a new direction for the exploration of spin-Hall materials.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,022
Tête enseignante GPT0,270
Écart entre enseignants0,248 · 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 source (Gemma direct ou Codex distillé), 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

Citations42
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCommunications MaterialsMême sujetMagnetic properties of thin filmsTravaux en français237 207