Vertical Field-Effect Near-Infrared Phototransistor with High Responsivity and Detectivity Based on a Au Nanowire Porous Source and a Mixed PbSe-HfO<sub>2</sub> Sensing Layer
Notice bibliographique
Résumé
Near-infrared (NIR) detection is essential for applications in optical communications, biomedical imaging, and environmental monitoring. However, conventional NIR photodiodes face inherent trade-offs between responsivity and noise, largely due to thermal excitation in narrow-bandgap materials often necessitating cryogenic cooling to achieve an acceptable performance. In this study, we demonstrate a vertical field-effect NIR phototransistor (VFEPT) that integrates a mixed lead selenide quantum dot (PbSeQD)–hafnium dioxide nanoparticle (HfO 2 NP) sensing layer with a porous gold nanowire source, enabling significantly improved photodetection capabilities. The high permittivity of HfO 2 facilitates substantial charge accumulation and modulates the Schottky junction, while its low electrical conductivity suppresses leakage current even in the presence of narrow-bandgap PbSeQDs. This synergistic configuration effectively reduces the dark current, minimizes noise, and enhances detectivity. Additionally, the large capacitance between the gate and the source boosts charge accumulation, resulting in an amplified photocurrent and enhanced responsivity. Under NIR illumination, PbSeQDs efficiently absorb photons and generate electron–hole pairs, reinforcing the gate–source electric field and further increasing charge accumulation, thereby yielding a substantial photocurrent gain while maintaining low noise levels. The proposed VFEPT achieves a high responsivity of 256 A W – 1 and a detectivity of 2.5 × 10 15 Jones at 1550 nm, outperforming conventional NIR photodiodes and demonstrating exceptional potential for low-noise, high-responsivity NIR detection.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».