MétaCan
Menu
Retour à la cohorte
Enregistrement W4210491639 · doi:10.1038/s41598-022-05366-w

Photosensitization agents for fs laser writing in PDMS

2022· article· en· W4210491639 sur OpenAlexafffund
Jean-Sébastien Boisvert, A. R. Hlil, Sébastien Loranger, Ali Riaz, Yannick Ledemi, Younès Messaddeq, Raman Kashyap

Notice bibliographique

RevueScientific Reports · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueLaser Material Processing Techniques
Établissements canadiensUniversité LavalNatural Sciences and Engineering Research Council of CanadaPolytechnique Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaFonds Québécois de la Recherche sur la Nature et les TechnologiesMcGill UniversityCanada Excellence Research Chairs, Government of CanadaCanada Foundation for InnovationCanada Research ChairsGovernment of Canada
Mots-clésPhotosensitivityBenzophenonePolydimethylsiloxaneMaterials scienceLaserRefractive indexPhotonicsOptoelectronicsIrradiationOpticsNanotechnologyPolymer chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract This study aims at identifying compounds incorporated into Polydimethylsiloxane (PDMS) which produce large refractive index change under fs laser exposition, potentially leading to optimal writing of waveguides or photonic devices in such a soft host. Germanium derivative, titania and zirconite derivatives, benzophenone (Bp), irgacure-184/500/1173 and 2959 are investigated. We show a mapping of the RI index change relative to the writing speed (1 to 40 mm/s), the repetition rate (606 to 101 kHz) and the number of passes (1 to 8) from which we establish quantitative parameters to allow the comparison between samples. We show that the organic materials, especially irgacure-184 and benzophenone yield a significantly higher maximum refractive index change in the order of 10 −2 . We also show that the strongest photosensitivity is achieved with a mixture of organic/organo-metallic material of Bp + Ge. We report a synergetic effect on photosensitivity of this novel mixture.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,048
Score d'incertitude au seuil0,348

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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)0,0000,000

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 Opus0,014
Tête enseignante GPT0,239
Écart entre enseignants0,225 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations10
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetLaser Material Processing TechniquesTravaux en français237 207