Modeling magnetic nanoparticles: application to hyperthermia
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
Using the Landau-Lifshitz-Gilbert (LLG) equation in micromagnetic simulations, we model magnetic nanoparticles composed of nanorods for application in magnetic nanoparticle hyperthermia, a developing cancer treatment. We use a scaling approach based on the renormalization group (RG) to calculate magnetization-field hysteresis loops that are invariant with simulation cell size, with the objective of decreasing the simulation time at clinically relevant field parameters. In addition, we introduce a time scaling approach that involves the sweep rate of the oscillating external field and the damping constant α in the LLG equation, which allows for up to three orders of magnitude faster simulations. Equipped with the RG and time scaling tools, we explore a macrospin model in which a complex nanoparticle is represented by a single magnetization vector with appropriate effective magnetic parameters. To evaluate this model, we calculate loops for single particles and particles interacting in pairs, chains and triangles of three particles, and in a cluster of thirteen nanoparticles. Motivated by recent experimental studies that reported successful hyperthermia treatment in the absence of perceptible heating of tissue, we report on local hysteresis loops of individual nanoparticles within clusters, highlighting the role of magnetostatic interactions between nanoparticles in the complex heating and magnetization dynamics of groups of nanoparticles.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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