MétaCan
Menu
Retour à la cohorte
Enregistrement W4281806468 · doi:10.3389/fmats.2022.813407

Engineering Silicon Oxide by Argon Ion Implantation for High Performance Resistance Switching

2022· article· en· W4281806468 sur OpenAlexaff
Longfei Zhao, Wing H. Ng, Andrew P. Knights, D. V. Stevanovic, Daniel J. Mannion, Adnan Mehonić, Anthony J. Kenyon

Notice bibliographique

RevueFrontiers in Materials · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Memory and Neural Computing
Établissements canadiensMcMaster University
Organismes subventionnairesEngineering and Physical Sciences Research CouncilRoyal Academy of EngineeringLeverhulme Trust
Mots-clésElectroformingArgonMaterials scienceSiliconOptoelectronicsIon implantationReset (finance)OxideIonDeposition (geology)VoltageLayer (electronics)NanotechnologyElectrical engineeringChemistryMetallurgy

Résumé

récupéré en direct d'OpenAlex

We report that implanting argon ions into a film of uniform atomic layer deposition (ALD)-grown SiOx enables electroforming and switching within films that previously failed to electroform at voltages <15 V. We note an implantation dose dependence of electroforming success rate: electroforming can be eliminated when the dosage is high enough. Our devices are capable of multi-level switching during both set and reset operations, and multiple resistance states can be retained for more than 30,000 s under ambient conditions. High endurance of more than 7 million (7.9 × 106) cycles is achieved alongside low switching voltages (±1 V). Comparing SiOx fabricated by this approach with sputtered SiOx we find similar conduction mechanisms between the two materials. Our results show that intrinsic SiOx switching can be achieved with defects created solely by argon bombardment; in contrast to defects generated during deposition, implantation generated defects are potentially more controllable. In the future, noble ion implantation into silicon oxide may allow optimization of already excellent resistance switching devices.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,005
Tête enseignante GPT0,188
Écart entre enseignants0,183 · 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 source (Gemma direct ou Codex distillé), 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

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in MaterialsMême sujetAdvanced Memory and Neural ComputingTravaux en français237 207