Phonon Engineering in Isotopically Disordered Silicon Nanowires
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The introduction of stable isotopes in the fabrication of semiconductor nanowires provides an additional degree of freedom to manipulate their basic properties, design an entirely new class of devices, and highlight subtle but important nanoscale and quantum phenomena. With this perspective, we report on phonon engineering in metal-catalyzed silicon nanowires with tailor-made isotopic compositions grown using isotopically enriched silane precursors (28)SiH4, (29)SiH4, and (30)SiH4 with purity better than 99.9%. More specifically, isotopically mixed nanowires (28)Si(x)(30)Si(1-x) with a composition close to the highest mass disorder (x ∼ 0.5) were investigated. The effect of mass disorder on the phonon behavior was elucidated and compared to that in isotopically pure (29)Si nanowires having a similar reduced mass. We found that the disorder-induced enhancement in phonon scattering in isotopically mixed nanowires is unexpectedly much more significant than in bulk crystals of close isotopic compositions. This effect is explained by a nonuniform distribution of (28)Si and (30)Si isotopes in the grown isotopically mixed nanowires with local compositions ranging from x = ∼0.25 to 0.70. Moreover, we also observed that upon heating, phonons in (28)Si(x)(30)Si(1-x) nanowires behave remarkably differently from those in (29)Si nanowires suggesting a reduced thermal conductivity induced by mass disorder. Using Raman nanothermometry, we found that the thermal conductivity of isotopically mixed (28)Si(x)(30)Si(1-x) nanowires is ∼30% lower than that of isotopically pure (29)Si nanowires in agreement with theoretical predictions.
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.
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 découle