Indium arsenide single quantum dash morphology and composition for wavelength tuning in quantum dash lasers
Notice bibliographique
Résumé
InAs quantum dot and dash gain media demonstrate performance benefits, such as lower threshold current densities and reduced temperature sensitivity over quantum wells for lasers operating in the C-band telecommunications window. Quantum dashes are of much interest for their higher gain over quantum dots due to an increased density of states. We combine experimental results and simulations to understand how quantum dash morphology and composition can be used to tune the emission wavelengths of these nanoparticles. Atomic force microscopy (AFM) analysis is performed to determine the effect of growth temperature and sublayer type on InAs/InGaAsP/InP nanoparticle morphology and homogeneity. Uncapped InAs nanoparticles grown by CBE on a GaAs sublayer will have dash-like geometries with heights up to 2.36 nm for growth temperatures of 500–540 °C. GaP sublayers will induce taller quantum dots except for a growth temperature of 530 °C, where quantum dashes form. The dimensions extracted from AFM scans are used in conjunction with photoluminescence data to guide parabolic band simulations of an InAs quantum dash with a GaP or GaAs sublayer and InP cap buried within InGaAsP. The calculated emission energy of a buried 30 × 300 nm quantum dash decreases by ∼100 meV for increasing heights from 1.5 to 2.5 nm, or increases by ∼100 meV by addition of 20% phosphorus in the dash and wetting layers. Modifying the quantum dash height and leveraging the As/P intermixing that occurs between the InAs and InP layers are, thus, most effective for wavelength tuning.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 tête enseignante, 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 ».