<i>In Situ</i> Growth of AuNPs on Glass Nanofibers for SERS Sensors
Notice bibliographique
Résumé
It is challenging to fabricate plasmonic nanosensors on high-curvature surfaces with high sensitivity and reproducibility at low cost. Here, we report a facile and straightforward strategy, based on an in situ growth technique, for fabricating glass nanofibers covered by asymmetric gold nanoparticles (AuNPs) with tunable morphologies and adjustable spacings, leading to much improved surface-enhanced Raman scattering (SERS) sensitivity because of hotspots generated by the AuNP surface irregularities and adjacent AuNP coupling. First, nanosensors covered with uniform and well-dispersed citrate-capped spherical AuNPs were constructed using a polystyrene-b-poly(4-vinylpyridine) (PS-P4VP, with 33 mol % P4VP content and 61 kg/mol total molecular weight) block copolymer brush-layer templating method, and then, the deposited AuNPs were grown to asymmetric AuNPs. AuNP morphologies and hence the optical characteristics of AuNP-covered glass nanofibers were easily controlled by the choice of experimental parameters, such as the growth time and growth solution composition. In particular, tunable AuNP average diameters between about 40 and 80 nm with AuNP spacings between about 50 and 1 nm were achieved within 15 min of growth. The SERS sensitivity of branched AuNP-covered nanofibers (3 min growth time) was demonstrated to be more than threefold more intense than that of the original spherical AuNP-covered nanofibers using a 633 nm laser. Finite-difference time-domain simulations were performed, showing that the electric field enhancement is highest for intermediate AuNP diameters. Furthermore, SERS applications of these nanosensors for H2O2 detection and pH sensing were demonstrated, offering appealing and promising candidates for real-time monitoring of extra/intracellular species in vitro and in vivo.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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) | 0,000 | 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 tête enseignante, 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 ».