Effect of High Zn Concentration on the Structural, Electrical, and Magnetic Properties of Zn-Doped Yttrium Iron Garnet Nanoparticles
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
High Resolution Image Download MS PowerPoint Slide Current-induced magnetoelectric (ME) effect offers the potential for broadband, low-power tunable microwave devices. While yttrium iron garnet (YIG) is the most used ferrite due to its superior magnetic properties, its high-quality dielectric properties hinder its potential tuning with an electric current. To increase YIG’s conductivity, we investigated Zn 2+ -doped YIG nanoparticles and nanocomposites (Y 3 Fe 5–2 x 3+ Fe x 4+ Zn x O 12 ) synthesized using the sol–gel method within a broad concentration range of dopants (0 < x < 1.0). Herein, for the first time, we report the effect of high-level Zn doping on the electrical conductivity and ferromagnetic resonance (FMR) of a YIG nanocomposite material. An increase in Zn concentration resulted in the formation of the yttrium iron perovskite (YIP) phase, and for concentrations above 0.6, the sol–gel synthesis yielded the predominant formation of YIP. Y 3 Fe 4.7 Zn 0.3 O 12 had the highest Zn content when the garnet phase was predominantly formed during the synthesis. The increase in the Zn content in the lattice enhanced the conductivity of yttrium iron garnet doped with Zn (YIG:Zn) by up to 3 orders of magnitude compared to that of pure YIG. In addition, the increase in the Zn content yielded an increase in the domain and ferromagnetic resonance frequencies of the YIG:Zn material. Overall, highly doped YIG:Zn nanocomposites have the potential to enable current-induced ME due to their superior conductivity.
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 | 0,000 |
| 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