MétaCan
Menu
Retour à la cohorte
Enregistrement W3187708078 · doi:10.3390/chemosensors9080211

Current Progress of Magnetoresistance Sensors

2021· article· en· W3187708078 sur OpenAlexafffund
Songlin Yang, Jin Zhang

Notice bibliographique

RevueChemosensors · 2021
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueMagnetic properties of thin films
Établissements canadiensWestern University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésGiant magnetoresistanceMagnetoresistanceReading (process)Current (fluid)Electrical engineeringComputer scienceCurrent sensorMaterials scienceMagnetic fieldEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Magnetoresistance (MR) is the variation of a material’s resistivity under the presence of external magnetic fields. Reading heads in hard disk drives (HDDs) are the most common applications of MR sensors. Since the discovery of giant magnetoresistance (GMR) in the 1980s and the application of GMR reading heads in the 1990s, the MR sensors lead to the rapid developments of the HDDs’ storage capacity. Nowadays, MR sensors are employed in magnetic storage, position sensing, current sensing, non-destructive monitoring, and biomedical sensing systems. MR sensors are used to transfer the variation of the target magnetic fields to other signals such as resistance change. This review illustrates the progress of developing nanoconstructed MR materials/structures. Meanwhile, it offers an overview of current trends regarding the applications of MR sensors. In addition, the challenges in designing/developing MR sensors with enhanced performance and cost-efficiency are discussed in this review.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,778
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,011
Tête enseignante GPT0,242
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.

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

Citations73
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueChemosensorsMême sujetMagnetic properties of thin filmsTravaux en français237 207