AFM-IR and s-SNOM-IR measurements of chemically addressable monolayers on Au nanoparticles
Notice bibliographique
Résumé
The performance of catalysts depends on their nanoscale properties, and local variations in structure and composition can have a dramatic impact on the catalytic reactivity. Therefore, probing the localized reactivity of catalytic surfaces using high spatial resolution vibrational spectroscopy, such as infrared (IR) nanospectroscopy and tip-enhanced Raman spectroscopy, is essential for mapping their reactivity pattern. Two fundamentally different scanning probe IR nanospectroscopy techniques, namely, scattering-type scanning near-field optical microscopy (s-SNOM) and atomic force microscopy-infrared spectroscopy (AFM-IR), provide the capabilities for mapping the reactivity pattern of catalytic surfaces with a spatial resolution of ∼20 nm. Herein, we compare these two techniques with regard to their applicability for probing the vibrational signature of reactive molecules on catalytic nanoparticles. For this purpose, we use chemically addressable self-assembled molecules on Au nanoparticles as model systems. We identified significant spectral differences depending on the measurement technique, which originate from the fundamentally different working principles of the applied methods. While AFM-IR spectra provided information from all the molecules that were positioned underneath the tip, the s-SNOM spectra were more orientation-sensitive. Due to its field-enhancement factor, the s-SNOM spectra showed higher vibrational signals for dipoles that were perpendicularly oriented to the surface. The s-SNOM sensitivity to the molecular orientation influenced the amplitude, position, and signal-to-noise ratio of the collected spectra. Ensemble-based IR measurements verified that differences in the localized IR spectra stem from the enhanced sensitivity of s-SNOM measurements to the adsorption geometry of the probed molecules.
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) | 0,000 | 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 ».