Modelling and Optimization of the Differential Surface Capacitance in Electrolyte-Gated Graphene Field-Effect Transistors
Notice bibliographique
Résumé
Graphene field-effect transistors (GFETs) are a promising avenue for the detection of biomarkers, allowing to envision improvements in diagnostic approaches for different types of cancer and other diseases. To enable such applications, the detection metrics of the devices must be optimized, including their sensitivity, selectivity, and stability. In particular, the capacitance of the device is one of the key determinants of the sensitivity of the electrical current of graphene to nearby changes in electrical potentials. In this presentation, we present our approach to optimize the surface capacitance of electrolyte-gated GFETs, by investigating theoretically and/or experimentally the effect of specific design parameters, including the graphene area, the removal of the backgate, and the passivation of electrodes. On the theoretical side, a mathematical representation of the device capacitance was established as an equivalent circuit of capacitors modelling for the quantum capacitance of graphene, the backgate capacitance, and the capacitance of electrical double layers in the electrolyte. On the experimental side, microchips of GFET arrays were assembled using microfabrication techniques on two types of substrates: a standard Si++/SiO2 wafer in which the doped silicon layer is used as a backgate, and a pure non-conducting borosilicate glass wafer in comparison. The capacitance of the devices was then measured using a custom parallel electrical prober by stepping the applied voltage in the solution and analyzing the resulting current response through a standard RC direct current model. We will present our analyses by comparing the relative impact of electrode passivation, backgate usage, and graphene area on the capacitance of devices. These results will enable a rational design of GFET devices with improved sensitivity for their use in applications such as biological, chemical, and gas sensing.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».