Tuning the thermal conductivity of silicon nanowires by surface passivation
Notice bibliographique
Résumé
Abstract Using large scale molecular dynamics simulations, we study the thermal conductivity of bare and surface passivated silicon nanowires (SiNWs). For the cross–sectional widths w ⩽ 2 nm, SiNWs become unstable because of the surface amorphization and also due to the evaporation of a certain fraction of Si atoms. The observed surface (in–)stability is related to a large excess energy Δ of the surface Si atoms with respect to the bulk Si, resulting from the surface atoms being less coordinated and having dangling bonds. We first propose a practically relevant method that uses Δ as a guiding tool to passivate these dangling bonds with hydrogen or oxygen, stabilizing the SiNWs. These passivated SiNWs are used to calculate the thermal conductivity coefficient κ. While the expected trend of κ ∝ w is observed for all SiNWs, surface passivation provides an added flexibility of tuning κ with the surface coverage concentration c of passivated atoms. Indeed, with respect to the bulk κ, passivation of SiNW reduces κ by 75%–80% for c → 50 % and increases it by 50% for the fully passivated samples. Analyzing the phonon band structures via spectral energy density, we discuss separate contributions from the surface and the core to κ. Our results also reveal that surface passivation increases SiNW stiffness, contributing to the tunability in κ.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».