Plasmon resonance in nanopatterned single layer graphene nanoribbon (SL-GNR), double layer graphene nanoribbon (DL-GNR) and triple layer graphene nanoribbon (TL-GNR) structures is studied both experimentally and by numerical simulations. We use 'realistic' graphene samples in our experiments to identify the key bottle necks in both experiments and theoretical models. The existence of electrical tunable plasmons in such stacked multilayer GNRs was first experimentally verified by infrared microscopy. We find that the strength of the plasmonic resonance increases in DL-GNR when compared to SL-GNRs. However, we do not find a further such increase in TL-GNRs compared to DL-GNRs. We carried out systematic full wave simulations using finite element technique to validate and fit experimental results, and extract the carrier scattering rate as a fitting parameter. The numerical simulations show remarkable agreement with experiments for unpatterned SLG sheet, and a qualitative agreement for patterned graphene sheet. We believe that further improvements such as introducing a bandgap into the numerical model could lead to a better quantitative agreement of numerical simulations with experiments. We also note that such advanced modeling would first require better quality graphene samples and accurate measurements.


翻译:单层纳米核子(SL-GNR)纳米核子(SL-GNR)纳米核子(DL-GNR)纳米核子(DL-GNR)和三层纳米核子(TL-GNR)结构中的等离子共振。在实验中,我们使用“现实的”石墨样本来鉴定实验和理论模型中的关键瓶颈。在这种堆叠的多层核子(SL-GNR)中存在电子金枪鱼分粒子,首先通过红外显微镜进行实验验证。我们发现,与SL-GNR(DL-GNR)相比,DL-GNR(DL-GNR)和三层石墨纳米纳米(TL-GNRR)结构的强度增加了。然而,我们没有发现TL-GNRS(TL-GNR)与D-GNR(T-GNR)结构结构进一步增长。我们在实验中使用有限元素技术来验证和匹配实验结果,并提取载体散速分速率率率率模拟实验,我们相信,将进一步改进了这种数字模型。

0
下载
关闭预览

相关内容

专知会员服务
60+阅读 · 2020年3月19日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
【推荐】TensorFlow手把手CNN实践指南
机器学习研究会
5+阅读 · 2017年8月17日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
TResNet: High Performance GPU-Dedicated Architecture
Arxiv
8+阅读 · 2020年3月30日
Arxiv
6+阅读 · 2018年10月3日
Arxiv
3+阅读 · 2017年10月1日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
【推荐】TensorFlow手把手CNN实践指南
机器学习研究会
5+阅读 · 2017年8月17日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员