Tailoring Ge membrane adhesion strength: Impact of growth parameters and porous layer thickness
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The recent exploration of porous Germanium (PGe) techniques marks a significant advancement in the scalable production of detachable Ge membranes and devices. However, there is a notable gap in the comprehensive understanding of the critical factors necessary to control the adhesion strength of these nanomembranes. This study delves into the effects of Ge growth temperature, in-situ annealing processes, and the thickness of the PGe layer on the reorganization of the porous interlayer, subsequently influencing the properties of the separation layer. We particularly focus on how adjusting these parameters can fine-tune the adhesion strength of the epitaxial layer, ranging from a freestanding state to a fully bonded nanomembrane. A key finding is that the thermal budget experienced by the porous structure during the buffer layer's growth significantly affects the nanomembrane's adhesion characteristics; it is imperative to minimize this duration, especially at higher growth temperatures. Our research demonstrates that by precisely controlling the voids within the PGe layer, the adhesion strength can be effectively modulated through variations in the PGe layer's thickness. The outcomes of this study offer crucial insights into the controllable adhesion strength of Ge nanomembranes, paving the way for the targeted development of detachable devices. • Tuning of the Ge membrane adhesion strength by adjusting growth and porous parameters. • Creation of a detachable Germanium membrane using a porous substrate. • Controlling the morphological reorganization of the Ge porous structure.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle