Bibliographic record
Abstract
Le graphène est un nano-matériau très prometteur grâce à ses excellentes propriétés mécaniques, optiques et électriques. Toutefois, la plupart de ses applications les plus novatrices requièrent de l'altérer, mais la compréhension du graphène altéré est encore limitée. Certaines applications envisagées sont en optique infrarouge. Or, notre compréhension actuelle du graphène ne permet pas d’expliquer l’apparition des pics infrarouges qui sont observés dans les bicouches et dans les monocouches fonctionnalisées. Le comportement du graphène fonctionnalisé est particulièrement contre-intuitif, puisque l’ajout de greffons le rend plus transparent, et non pas plus opaque! Un modèle proposé par Bruno Rousseau, un étudiant post-doctorant du professeur Michel Côté à l'Université de Montréal, suggère une explication à ce phénomène: bien que les phonons du graphène ne puissent pas coupler directement avec la lumière, ils coupleraient indirectement avec celle-ci grâce à des collisions sur les électrons, qui eux, peuvent coupler avec les photons. Ce couplage indirect peut produire des interférences parfois constructives, parfois destructives, de telle sorte que ce mécanisme peut autant produire des pics d’absorbance que de transparence. Dans le cadre de ce mémoire, nous avons entrepris de vérifier expérimentalement la validité de ce modèle, et nous concluons qu’il semble prédire adéquatement le comportement de l’activité infrarouge des bicouches de graphène et des monocouches fonctionnalisées. Nous avons aussi étudié les méthodes par lesquelles nous synthétisions ces différents types de graphène afin de les optimiser. Enfin, nous avons déterminé des techniques, basées sur la spectroscopie Raman, permettant de bien caractériser l’intensité de l’altération causée par ces méthodes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".