MétaCan
Menu
Retour à la cohorte
Enregistrement W4398134632 · doi:10.1021/acsnano.3c13186

Architecture for Surface-Emitting Lasers with On-Demand Lasing Wavelength by Nanowire Optical Cavities

2024· article· en· W4398134632 sur OpenAlexafffund
Mohammad Fazel Vafadar, Songrui Zhao

Notice bibliographique

RevueACS Nano · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueSemiconductor Lasers and Optical Devices
Établissements canadiensMcGill University
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of Canada
Mots-clésLasing thresholdOptoelectronicsMaterials scienceLaserWavelengthPhotonicsOpticsNanowireSemiconductor laser theoryUltravioletSemiconductorPhysics

Résumé

récupéré en direct d'OpenAlex

Despite the importance and exciting progress of surface-emitting (SE) semiconductor lasers, we have limited choices of lasing wavelength even today. From an application viewpoint, it is desirable to have an architecture that can allow SE lasing in a wide spectral range, based on the need of applications. Herein, we demonstrate a path for SE lasers with lasing wavelength on demand by exploiting III-nitride nanowire optical cavities formed by low-temperature selective area epitaxy (SAE), combined with fine-tuning of substrate patterns and photonic bands. Moreover, in this study, we focus on the device demonstration in the ultraviolet (UV) spectral range, considering the severe lag in developing SE lasers in the UV wavelength range compared to longer wavelengths, e.g., near-infrared (NIR), as well as the potential applications enabled by UV lasers such as solar blind optical wireless communications. Ultralow threshold wavelength-tunable SE UV lasing is achieved by optical pumping. Moreover, SE UV lasing under direct electric current injection is also achieved. This study not only represents an important step in the journey of SE UV laser development but, more importantly, it lays the ground for SE lasers with lasing wavelength on demand, broadly from NIR to UV.

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 seuil0,004

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 savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,007
Tête enseignante GPT0,209
Écart entre enseignants0,203 · 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

Citations13
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetSemiconductor Lasers and Optical DevicesTravaux en français237 207