MétaCan
Menu
Back to cohort
Record W4394031075

Study of ultrafasts thermals effects in plasmonic nanostructures

2020· preprint· fr· W4394031075 on OpenAlexaff
Paul Bresson

Bibliographic record

Venuetheses.fr (ABES) · 2020
Typepreprint
Languagefr
FieldEngineering
TopicThermal Radiation and Cooling Technologies
Canadian institutionsUniversité de Sherbrooke
Fundersnot available
KeywordsPlasmonNanostructureNanotechnologyMaterials scienceOptoelectronics
DOInot available

Abstract

fetched live from OpenAlex

La thermoplasmonique est une branche de la plasmonique exploitant les phénomènes thermiques dans des structures métalliques. Longtemps regardées comme problématique, les pertes par effet Joule dues à l’absorption de la lumière par des nanoparticules métalliques sont maintenant considérées comme un point de départ pour de nombreuses applications : nanosources thermiques en médecine, enregistrement magnétique, catalyse chimique, thermotronique ou la conversion d’énergie.L’usage de laser femtosecondes sur des structures plasmoniques, permet de créer des nanosources thermiques confinées spatialement atteignant des températures électroniques très élevées devant la température du réseau atomique. L'absorption par un métal d'une impulsion d'énergie peut être décrite en trois étapes principales. Tout d'abord, une absorption des photons par les électrons du métal augmentant l'énergie des électrons à l'échelle de la centaine de femtosecondes avec des températures électroniques pouvant atteindre des milliers de degrés Kelvin alors que la température du réseau, elle, reste quasiment constante. Puis une deuxième étape au cours de laquelle les interactions électron-phonon transmettent l'énergie absorbée par les électrons au réseau, ce qui permet à l'énergie des électrons et du réseau d'atteindre un équilibre. Enfin, l’énergie est dissipée dans le substrat entourant le métal par conduction thermique.Il existe un grand nombre de modèles dans la littérature permettant de décrire le non-équilibre entre électrons et phonons mais cependant, une comparaison rigoureuse et quantitative avec des données expérimentales fait défaut pour valider ou invalider ces modèles. Cela a été l’objectif principal de cette étude.Afin d’étudier ces phénomènes, j’ai utilisé une expérience pompe-sonde où la pompe permet un chauffage ultra-rapide de l’échantillon ce qui provoque un changement de la permittivité dudit matériau. Le faisceau sonde permet alors de mesurer les variations dans le spectre de réflexion et de transmission, provoquées par le changement de permittivité.J’ai mis en place un code numérique permettant de modéliser l’évolution de la température dans un maillage 3D d’une structure composé d’éléments diélectriques et métalliques. Ce modèle thermique prend en compte les divers phénomènes de transport d’énergie dans un métal tel que le couplage électron-phonon, la conduction thermique électronique et des phonons et le déplacement balistique des électrons non thermalisés. Puis, via un modèle de la permittivité en fonction de la température prenant en compte les transitions interbandes et intrabandes, ce modèle a été couplé à un modèle optique permettant de simuler l’évolution des spectres optiques d’une structure en fonction de sa température afin de pouvoir confronter ce modèle numérique aux résultats expérimentaux par des ajustements des données.Ce modèle numérique a été validé sur de nombreuses expériences pompe-sonde effectuées sur des films d’or de diverses épaisseurs et des réseaux de nanostructures d’or sur verre ou sur film d’or. Nous avons pu montrer que parmi le très grand nombre de paramètres optiques et thermiques intervenant dans le modèle, toutes ces données expérimentales pouvaient être ajustées en utilisant un très petit nombre de paramètres libres, confirmant ainsi la robustesse du modèle. Enfin, ce modèle a pu être utilisé pour concevoir et optimiser des réseaux de structures permettant la mise en évidence expérimentale de la propagation de la chaleur sur des échelles de quelques centaines de nanomètre au sein d’une nanostructure d’or.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.709
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.001
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0010.001
Research integrity0.0010.002
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.020
GPT teacher head0.248
Teacher spread0.228 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designSimulation or modeling
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2020
Admission routes1
Has abstractyes

Explore more

Same venuetheses.fr (ABES)Same topicThermal Radiation and Cooling TechnologiesFrench-language works237,207