MétaCan
Menu
Retour à la cohorte
Enregistrement W7117109249 · doi:10.1016/j.isci.2025.114484

Light-induced selective speed alteration of magnetically rolled semiconductor particles

2025· article· en· W7117109249 sur OpenAlexafffund
David P. Rivas, Zameer Hussain Shah, Henry Kai-Tat Shum, Sambeeta Das

Notice bibliographique

RevueiScience · 2025
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueMicro and Nano Robotics
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNational Institute of General Medical SciencesNatural Sciences and Engineering Research Council of CanadaAir Force Office of Scientific ResearchCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of CanadaNational Institutes of HealthNational Science Foundation
Mots-clésSemiconductorHematiteDrug deliveryTargeted drug deliveryWork (physics)Magnetic nanoparticlesComponent (thermodynamics)Nanoparticle

Résumé

récupéré en direct d'OpenAlex

Microrobot teams or swarms are promising candidates for many applications, such as micromanipulation, microsurgery, or targeted drug delivery. However, attaining individual control of the microrobots, which is a critical component to many of their applications, remains a significant technical challenge. We introduce a method to control the magnetic rolling speed of hematite semiconductor particles using localized UV light, attributed to light-induced changes in particle-substrate friction. Simulations and theoretical models support our experimental observations, showing how particle-substrate separation influences speed. Additionally, we demonstrate fixed patterning of microparticles via selective UV illumination at lower pH, demonstrating selective immobilization of microrobots, a conceptual step toward applications such as targeted drug delivery or patterned cell stimulation in future studies. Therefore, this work provides a novel approach for independent control of microrobot systems by modulating particle-substrate interactions with light.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,229

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,260
Écart entre enseignants0,249 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueiScienceMême sujetMicro and Nano RoboticsTravaux en français237 207