Ultrasensitive Surface‐Enhanced Raman Spectroscopy Detection by Porous Silver Supraparticles from Self–Lubricating Drop Evaporation
Notice bibliographique
Résumé
Abstract This work demonstrates an original and ultrasensitive approach for surface‐enhanced Raman spectroscopy (SERS) detection based on evaporation of self‐lubricating drops containing silver supraparticles. The developed method detects an extremely low concentration of analyte that is enriched and concentrated on sensitive SERS sites of the compact supraparticles formed from drop evaporation. A low limit of detection of 10 −16 m is achieved for a model hydrophobic compound rhodamine 6G (R6G). The quantitative analysis of R6G concentration is obtained from 10 −5 to 10 −11 m . In addition, for a model micro‐pollutant in water triclosan, the detection limit of 10 −6 m is achieved by using microliter sample solutions. The intensity of SERS detection in this approach is robust to the dispersity of the nanoparticles in the drop but became stronger after a longer drying time. The ultrasensitive detection mechanism is the sequential process of concentration, extraction, and absorption of the analyte during evaporation of self‐lubrication drop and hot spot generation for intensification of SERS signals. This novel approach for sample preparation in ultrasensitive SERS detection can be applied to the detection of chemical and biological signatures in areas such as environment monitoring, food safety, and biomedical diagnostics.
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) | 0,000 | 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 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 ».