MétaCan
Menu
Retour à la cohorte
Enregistrement W4403094251 · doi:10.1088/1361-6528/ad82f1

Enhancement of photoresponse for InGaAs infrared photodetectors using plasmonic WO <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mrow> <mml:msub> <mml:mrow/> <mml:mrow> <mml:mn>3</mml:mn> <mml:mo>−</mml:mo> <mml:mi>x</mml:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> /Cs<sub>y</sub>WO <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mrow> <mml:msub> <mml:mrow/> <mml:mrow> <mml:mn>3</mml:mn> <mml:mo>−</mml:mo> <mml:mi>x</mml:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> nanocrystals

2024· article· en· W4403094251 sur OpenAlexafffund
Zach D. Merino, Gyorgy Jaics, Andrew W. M. Jordan, Arjun Shetty, Penghui Yin, Man Chun Tam, Xinning Wang, Z. R. Wasilewski, Pavle V. Radovanovic, Jonathan Baugh

Notice bibliographique

RevueNanotechnology · 2024
Typearticle
Langueen
DomaineMaterials Science
ThématiqueGa2O3 and related materials
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada First Research Excellence FundCanada Foundation for Innovation
Mots-clésMaterials sciencePhotodetectorInfraredPlasmonOptoelectronicsNanocrystalNanotechnologyOptics

Résumé

récupéré en direct d'OpenAlex

Abstract Fast and accurate detection of light in the near-infrared (NIR) spectral range plays a crucial role in modern society, from alleviating speed and capacity bottlenecks in optical communications to enhancing the control and safety of autonomous vehicles through NIR imaging systems. Several technological platforms are currently under investigation to improve NIR photodetection, aiming to surpass the performance of established III–V semiconductor p-i-n (PIN) junction technology. These platforms include in situ -grown inorganic nanocrystals (NCs) and nanowire arrays, as well as hybrid organic–inorganic materials such as graphene-perovskite heterostructures. However, challenges remain in NC and nanowire growth, large-area fabrication of high-quality 2D materials, and the fabrication of devices for practical applications. Here, we explore the potential for tailored semiconductor NCs to enhance the responsivity of planar metal–semiconductor–metal (MSM) photodetectors. MSM technology offers ease of fabrication and fast response times compared to PIN detectors. We observe enhancement of the optical-to-electric conversion efficiency by up to a factor of ∼2.5 through the application of plasmonically-active semiconductor nanorods and NCs. We present a protocol for synthesizing and rapidly testing the performance of non-stoichiometric tungsten oxide (WO <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:msub> <mml:mrow/> <mml:mrow> <mml:mn>3</mml:mn> <mml:mo>−</mml:mo> <mml:mi>x</mml:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> ) nanorods and cesium-doped tungsten oxide (Cs y WO <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:msub> <mml:mrow/> <mml:mrow> <mml:mn>3</mml:mn> <mml:mo>−</mml:mo> <mml:mi>x</mml:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> ) hexagonal nanoprisms prepared in colloidal suspensions and drop-cast onto photodetector surfaces. The results demonstrate the potential for a cost-effective and scalable method exploiting tailored NCs to improve the performance of NIR optoelectronic devices.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Science ouverte, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,678
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,006
Méta-épidémiologie (sens strict)0,0040,007
Méta-épidémiologie (sens large)0,0020,006
Bibliométrie0,0030,005
Études des sciences et des technologies0,0050,007
Communication savante0,0050,005
Science ouverte0,0080,008
Intégrité de la recherche0,0110,006
Charge utile insuffisante (le modèle a refusé de juger)0,4410,007

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 Opus0,017
Tête enseignante GPT0,243
Écart entre enseignants0,226 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations3
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNanotechnologyMême sujetGa2O3 and related materialsTravaux en français237 207