Effect of High Zn Concentration on the Structural, Electrical, and Magnetic Properties of Zn-Doped Yttrium Iron Garnet Nanoparticles
Notice bibliographique
Résumé
Abstract 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 Zn2+-doped YIG nanoparticles and nanocomposites (Y3Fe5–2x3+Fex4+ZnxO12) 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. Y3Fe4.7Zn0.3O12 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.
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 | 0,000 |
| 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) | 0,001 | 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 ».