MétaCan
Menu
Retour à la cohorte
Enregistrement W4292259742 · doi:10.1002/admi.202201056

Tunability and Ordering in 2D Arrays of Magnetic Nanoparticles Assembled via Extreme Field Gradients

2022· article· en· W4292259742 sur OpenAlexfundno aff
Abdul Rahman Mohtasebzadeh, Jonathon C. Davidson, Karen L. Livesey, Thomas Crawford

Notice bibliographique

RevueAdvanced Materials Interfaces · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueCharacterization and Applications of Magnetic Nanoparticles
Établissements canadiensnon disponible
Organismes subventionnairesDivision of Materials ResearchBioFrontiers Institute, University of Colorado Colorado SpringsUniversity of Colorado Colorado SpringsUniversity of AlbertaOffice of Experimental Program to Stimulate Competitive ResearchNational Science Foundation
Mots-clésMaterials scienceNanoparticlePolarity (international relations)Magnetic nanoparticlesNanotechnologyChemical physicsLangevin dynamicsMagnetic momentMagnetic fieldColloidCondensed matter physicsSelf-assemblyMagnetiteChemical engineeringPhysicsStatistical physicsChemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Colloidal magnetite nanoparticles self‐assemble onto a disk drive medium as directed by magnetic field gradients created where the medium magnetic moment switches direction over single nanometer distances. Here, it is shown that for two such reversals or transitions that are closely spaced, the nanoparticles self‐assemble into a single feature centered between the transitions, rather than forming separate features at the transitions, and the resulting 2D assembly achieves hexatic ordering. Langevin dynamics simulations are used to explain these results, and it is found that the detailed magnetic properties of the medium play a critical role in determining assembly location. Slight changes to solvent polarity disrupt the hexatic ordering and push the nanoparticles toward the transitions, suggesting an alternate mechanism to precisely tune the self‐assembly process.

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)0,000
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 enseignants0,009
Score d'incertitude au seuil0,590

Scores Codex et Gemma par catégorie

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 Opus0,010
Tête enseignante GPT0,220
Écart entre enseignants0,209 · 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

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced Materials InterfacesMême sujetCharacterization and Applications of Magnetic NanoparticlesTravaux en français237 207