論文の概要: Methods for characterization of atomic-scale field emission point-electron-source

• arxiv url: http://arxiv.org/abs/2603.06499v1
• Date: Fri, 06 Mar 2026 17:34:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:46.297304
• Title: Methods for characterization of atomic-scale field emission point-electron-source
• Title（参考訳）: 原子スケール電界放出点電子源のキャラクタリゼーション法
• Authors: Shuai Tang, Mingkai Gou, Yingzhou Hu, Jie Tang, Yan Shen, Yu Zhang, Lu-chang Qin, Ningsheng Xu, Richard G. Forbes, Shaozhi Deng,
• Abstract要約: 電界放出(FE)電子源は、最も高い空間分解能に達するために原子スケールに近い。 FE電流電圧データを用いて明らかな放出領域を抽出する方法は存在しない。 本稿では,電界イオンと電界電子顕微鏡を用いて,見かけの発光領域を発見する実験手法について報告する。
• 参考スコア（独自算出の注目度）: 10.65688586757336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Field emission (FE) electron sources are made close to atomic-scale to reach the highest spatial resolution as well as stable emission for electron microscopy, electron beam inspection and lithography. At present, no single agreed method exists of using FE current-voltage data to extract the apparent emission area, which is needed for predicting some beam properties. The 1956 theory of Murphy and Good (MG) is better physics than the 1920s theory of Fowler and Nordheim (FN) and colleagues, but many researchers use simplified FN theory to analyse experimental data. The present paper reports an experimental method of finding apparent emission area, based on using field ion and field electron microscopes (FIM-FEM). The discrepancy of emission area between the FIM-FEM method and MG-based analysis is a factor of 7.4, while that with simplified FN-based analysis is about 25, confirming MG theory is better for FE data analysis. The result allows deduction of key indicators, including source energy spread, reduced brightness and emission efficiency. A downloadable program is made available to help analysis. Our work provides a new experimental method of characterizing FE electron sources, especially the atomic-scale cold cathode, for which existing plot-based data-analysis methods are not suitable.
• Abstract（参考訳）: 電界放出(FE)電子源は原子スケールに近づき、最も高い空間分解能に到達し、電子顕微鏡、電子ビーム検査、リソグラフィーのための安定した放出を行う。 現在、いくつかのビーム特性を予測するために必要となる明らかな放出領域を抽出するために、FE電流電圧データを使用するという単一の合意された方法が存在しない。 1956年のマーフィー・アンド・グッド理論(MG)は、1920年代のファウラー・アンド・ノルトハイム理論(FN)や同僚たちより優れた物理学であるが、多くの研究者はFN理論を単純化して実験データを分析する。 本稿では、電界イオンと電界電子顕微鏡(FIM-FEM)を用いて、見かけの発光領域を発見する実験手法について報告する。 FIM-FEM法とMGベース分析の発光面積の差は7.4倍であり、FNベース解析を単純化した場合、約25倍であり、MG理論がFEデータ解析より優れていることを確認する。 その結果、ソースエネルギーの拡散、明るさの低減、発光効率などの重要な指標を導出できる。 ダウンロード可能なプログラムは分析に役立てることができる。 我々の研究は、既存のプロットベースのデータ分析手法が適さないFE電子源、特に原子スケールのコールドカソードを特徴付ける新しい実験方法を提供する。

関連論文リスト

• Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning [61.12861060232382]
  非平衡グリーン関数(NEGF)はナノスケールデバイスの量子輸送特性をシミュレートする強力な方法である。 本稿では,DFT+NEGFシミュレーションを現実的なシステムの次元や機能に近づけるための重要な(アルゴリズム的な)成果を要約する。
  論文  参考訳（メタデータ） (2026-02-03T12:01:39Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• EDBench: Large-Scale Electron Density Data for Molecular Modeling [24.86737047895369]
  電子密度(ED)$rho(r)$は、対話型多粒子系のすべての基底状態特性を決定する。 EDBenchは、電子規模の学習ベースの研究を促進するために設計されたEDの大規模で高品質なデータセットである。
  論文  参考訳（メタデータ） (2025-05-14T10:23:22Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• Data-Efficient Machine Learning Potentials via Difference Vectors Based on Local Atomic Environments [13.307935336307475]
  局所原子環境(DV-LAE)に基づく新しい差分ベクトルを提案する。 DV-LAEは、ヒストグラムベースの記述子を用いて構造的差異を符号化し、t-S次元減少による視覚解析を可能にする。 DV-LAEは, 各種材料システムにおけるデータセットサイズとトレーニング時間を著しく短縮することを示した。
  論文  参考訳（メタデータ） (2025-01-27T04:08:37Z)
• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• Deep Learning assisted microwave-plasma interaction based technique for plasma density estimation [1.4680035572775534]
  本稿では,マイクロ波-プラズマ相互作用に基づく非侵襲的診断を支援するDeep Learning (DL)を提案する。 プラズマからのマイクロ波散乱による電界パターンを利用して密度分布を推定する。 得られた結果から,線状プラズマ装置の密度の2次元半径分布を推定する上で有望な性能を示した。
  論文  参考訳（メタデータ） (2023-04-28T12:27:23Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。