MétaCan
Menu
Retour à la cohorte
Enregistrement W4385358475 · doi:10.3390/nano13152169

Electric Field-Induced Nano-Assembly Formation: First Evidence of Silicon Superclusters with a Giant Permanent Dipole Moment

2023· article· en· W4385358475 sur OpenAlexaff
Fatme Jardali, Jacqueline Tran, Frédéric Liège, Ileana Florea, Mohamed E. Leulmi, Holger Vach

Notice bibliographique

RevueNanomaterials · 2023
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSilicon Nanostructures and Photoluminescence
Établissements canadiensConcordia University
Organismes subventionnairesAgence Nationale de la Recherche
Mots-clésNanoclustersDipoleSiliconElectric fieldNanometrePhysicsTransmission electron microscopyElectric dipole momentNanotechnologyMaterials scienceMolecular physicsAtomic physicsOpticsOptoelectronics

Résumé

récupéré en direct d'OpenAlex

The outstanding properties of silicon nanoparticles have been extensively investigated during the last few decades. Experimental evidence and applications of their theoretically predicted permanent electric dipole moment, however, have only been reported for silicon nanoclusters (SiNCs) for a size of about one to two nanometers. Here, we have explored the question of whether suitable plasma conditions could lead to much larger silicon clusters with significantly stronger permanent electric dipole moments. A pulsed plasma approach was used for SiNC production and surface deposition. The absorption spectra of the deposited SiNCs were recorded using enhanced darkfield hyperspectral microscopy and compared to time-dependent DFT calculations. Atomic force microscopy and transmission electron microscopy observations completed our study, showing that one-to-two-nanometer SiNCs can, indeed, be used to assemble much larger "superclusters" with a size of tens of nanometers. These superclusters possess extremely high permanent electric dipole moments that can be exploited to orient and guide these clusters with external electric fields, opening the path to the controlled architecture of silicon nanostructures.

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)0,001
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 enseignants0,003
Score d'incertitude au seuil0,865

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,023
Tête enseignante GPT0,260
Écart entre enseignants0,237 · 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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNanomaterialsMême sujetSilicon Nanostructures and PhotoluminescenceTravaux en français237 207