Diffusion, viscosity, and cycle times for high aspect ratio glass nanoimprinting
Notice bibliographique
Résumé
Antireflective (AR) surfaces are critical developments for electronic displays, solar panels, LED/OLED lighting, and lenses. Biomimetic moth-eye nanostructures offer significant reductions in glass reflection across the visible and near-IR spectrum and are self-cleaning due to their hydrophobic nature. However, current AR glass surfaces rely on clean-room-based manufacturing processes, which are costly, have limited throughput, and restrict the patternable surface area.Thermal nanoimprinting has emerged as a promising alternative for large-scale, cost-effective AR patterning on glass. However, the literature pertaining to high transition temperature glass nanoimprinting is limited to shallow aspect ratios due mainly to interdiffusion between the mould and substrate. Furthermore, the fundamental relationship between temperature, pressure, and feature-scale on glass flow remains insufficiently explored.To study high aspect ratio glass nanoimprinting, high-temperature glass nanoimprinting equipment and moulds were developed. Experiments were conducted on borosilicate and soda-lime glass using various moulds with large aspect ratios and were compared to numerical models to elucidate the effect of the process parameters on the cycle time, repeatability and interdiffusion between mould and substrate.Findings indicate that as the mould feature scale decreases, higher temperatures are required to ensure adequate material flow and pattern replication. However, at elevated temperatures, diffusion rates increase, leading to higher fracture risks and interfacial degradation. Comparative analysis between borosilicate and soda-lime glass highlights key material-dependent factors that influence the process.By integrating experimental data with numerical modeling, this study offers insights into the underlying physics governing glass nanoimprinting. The findings contribute to the development of process optimization strategies that can facilitate industrial-scale production. Future work will focus on extending the model to various glasses, ensuring scalable high throughput glass nanoimprinting for diverse glass compositions.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».