Effect of Device Design Parameters on the Sensitivity of Graphene Field-Effect Transistors
Notice bibliographique
Résumé
Graphene field-effect transistors (GFETs) present several advantages for biomolecular sensing applications. Their high conductivity, carbon chemistry and sensitivity to the electrostatic environment have made GFETs a promising technology for the detection of biomarkers with high sensitivity. While research has mostly focused on biomolecular immobilization strategies to improve detection in GFET biosensors, much less attention has been given to the effect of different design parameters of the devices themselves on the sensitivity of the sensors. Here, we assess the sensitivity metrics of GFET sensors using their response to changes in buffer salinity. To do this, we incubated GFET devices in phosphate buffer solutions (PBS) with concentrations ranging from 0.001X to 10X, and collected electrical transfer curves before/after each incubation to extract the voltage of the charge neutrality point (VCNP). Two metrics were extracted from the calibration curve of VCNP against concentration: (1) the dynamic range, as the range of concentrations showing a variation of the VCNP, and (2) the sensitivity, as the slope of the calibration curve in the dynamic range, measured in mV/decade. Using small-area non-passivated GFET devices, we obtained a sensitivity of -50 mV/decade from 0.1X to 10X PBS using an Ag/AgCl reference electrode and -160 mV/decade from 0.1X to 10X PBS using a coplanar Au electrode. We will discuss the response to changes in salinity using different combinations of design parameters, including the size of the graphene area, the choice of reference electrode and the type of passivation. Overall, this study will shed light on device design optimization for increased sensitivity, giving us an indication as to which parameter combination is best for the development of highly sensitive biosensors.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».