Comprehensive Study on High Purity Semiconducting Carbon Nanotube Extraction
Notice bibliographique
Résumé
Abstract Carbon nanotubes (CNTs) are a rapidly maturing emerging technology for next‐generation energy‐efficient digital Very‐Large‐Scale‐Integrated (VLSI) systems. However, a major remaining challenge facing CNT field‐effect transistors (CNFETs) are metallic CNTs, causing incorrect logic functionality and increased leakage power. As no CNT synthesis technique demonstrates a reliable path toward manufacturing 99.99% semiconducting CNTs (s‐CNT; required purity for VLSI systems), significant work focuses on solution‐based sorting of CNTs (selectively removing metallic CNTs post‐synthesis). Yet, there lacks both well‐controlled comparisons carefully optimizing key processing parameters simultaneously (CNT synthesis sources, polymer additive used for selective sorting, etc.), as well as statistically significant electrical transistor characterization sample sizes to form concrete conclusions. Here, >90 000 CNFETs (totaling >90 million CNTs) are fabricated and characterized to demonstrate the following key advances: 1) systematic exploration of the impact of different combinations of CNT synthesis sources and polymer additives on the electrical performance of transistors (analyzing on‐current, off‐current, on off ratio, and threshold voltage) to find the best combination, 2) how the optimization and choice of the CNT source can be decoupled from that of the polymer, and 3) an optimal CNT solution that achieves >99.99% s‐CNT purity using electrical measurements, meeting the requirement for VLSI systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».