High third-order optical nonlinear performance in CMOS devices integrated with 2D graphene oxide films
Notice bibliographique
Résumé
Abstract We report enhanced nonlinear optics in complementary metal-oxide-semiconductor (CMOS) compatible photonic platforms through the use of layered two-dimensional (2D) graphene oxide (GO) films. We integrate GO films with silicon-on-insulator nanowires (SOI), high index doped silica glass (Hydex) and silicon nitride (SiN) waveguides and ring resonators, to demonstrate an enhanced optical nonlinearity including Kerr nonlinearity and four-wave mixing (FWM). The GO films are integrated using a large-area, transfer-free, layer-by-layer method while the film placement and size are controlled by photolithography. In SOI nanowires we observe a dramatic enhancement in both the Kerr nonlinearity and nonlinear figure of merit (FOM) due to the highly nonlinear GO films. Self-phase modulation (SPM) measurements show significant spectral broadening enhancement for SOI nanowires coated with patterned films of GO. The dependence of GO’s Kerr nonlinearity on layer number and pulse energy shows trends of the layered GO films from 2D to quasi bulk-like behavior. The nonlinear parameter of GO coated SOI nanowires is increased 16 folds, with the nonlinear FOM increasing over 20 times to FOM > 5. We also observe an improved FWM efficiency in SiN waveguides integrated with 2D layered GO films. FWM measurements for samples with different numbers of GO layers and at different pump powers are performed, achieving up to ≈ 7.3 dB conversion efficiency (CE) enhancement for a uniformly coated device with 1 layer of GO and ≈ 9.1 dB for a patterned device with 5 layers of GO. These results reveal the strong potential of GO films to improve the nonlinear optics of silicon, Hydex and SiN photonic devices.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,005 |
| 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 ».