MétaCan
Menu
Retour à la cohorte
Enregistrement W4396890400 · doi:10.1063/5.0199104

Synthesis of low dimensional nanomaterials by pulsed laser ablation in liquid

2024· article· en· W4396890400 sur OpenAlexaff
Fan Ye, Kevin P. Musselman

Notice bibliographique

RevueAPL Materials · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueLaser-Ablation Synthesis of Nanoparticles
Établissements canadiensNational Institute for NanotechnologyUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceNanomaterialsLaser ablationAblationLaserNanotechnologyMaterials processingOptoelectronicsOpticsProcess engineering

Résumé

récupéré en direct d'OpenAlex

With the increasing application of functional nanomaterials in numerous fields, considerable effort has been devoted to exploring simple and efficient methods for their synthesis. Pulsed laser ablation in liquid (PLAL) is one such novel technique for producing colloidal nanomaterials. It is simple to setup, easy to operate, and can be carried out at room temperature and under atmosphere. This method employs a pulsed laser beam to ablate bulk targets or powders within different liquids, thereby creating colloidal nanomaterials. As a result, it holds significant promise for scalable processing. However, most prior research on PLAL has focused on the synthesis of larger spherical nanoparticles, even though low-dimensional nanomaterials, including zero-dimensional quantum dots, one-dimensional nanowires and nanotubes, and two-dimensional nanosheets and nanobelts, find more usage in various applications, such as optoelectronic devices, catalysis, and biomedicine. In the PLAL process, the high-intensity laser pulses not only fragment the illuminated solids to produce nanomaterials but also interact with liquid molecules, generating multiple reactive ions for chemical reactions. Consequently, various low-dimensional nanomaterials can also be generated. This study provides a comprehensive review of low-dimensional nanomaterials synthesized via PLAL, including their formation mechanisms and applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,206
Écart entre enseignants0,200 · 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 source (Gemma direct ou Codex distillé), 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

Citations31
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAPL MaterialsMême sujetLaser-Ablation Synthesis of NanoparticlesTravaux en français237 207