MétaCan
Menu
Retour à la cohorte
Enregistrement W1982732331 · doi:10.1021/nn800718u

Heavy-Metal-Free Solution-Processed Nanoparticle-Based Photodetectors: Doping of Intrinsic Vacancies Enables Engineering of Sensitivity and Speed

2008· article· en· W1982732331 sur OpenAlexaff
Jiang Tang, Gerasimos Konstantatos, Sean Hinds, Stefan Myrskog, Andras G. Pattantyus‐Abraham, Jason Clifford, Edward H. Sargent

Notice bibliographique

RevueACS Nano · 2008
Typearticle
Langueen
DomaineMaterials Science
ThématiqueQuantum Dots Synthesis And Properties
Établissements canadiensGeorge Brown CollegeUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPhotodetectionPhotodetectorMaterials scienceOptoelectronicsDopantSemiconductorDopingPhotoconductivityNanoparticleNanotechnology

Résumé

récupéré en direct d'OpenAlex

Photodetection in semiconductors enables digital imaging, spectroscopy, and optical communications. Integration of solution-processed light-sensing materials with a range of substrates offers access to new spectral regimes, the prospect of enhanced sensitivity, and compatibility with flexible electronics. Photoconductive photodetectors based on solution-cast nanocrystals have shown tremendous progress in recent years; however, high-performance reports to date have employed Pb- and Cd-containing materials. Here we report a high-sensitivity (photon-to-electron gain >40), high-speed (video-frame-rate-compatible) photoconductive photodetector based on In(2)S(3). Only by decreasing the energetic depth of hole traps associated with intrinsic vacancies in beta-phase In(2)S(3) were we able to achieve this needed combination of sensitivity and speed. Our incorporation of Cu(+) cations into beta-In(2)S(3)'s spinel vacancies that led to acceptable temporal response in the devices showcases the practicality of incorporating dopants into nanoparticles. The devices are stable in air and under heating to 215 degrees C, advantages rooted in the reliance on the stable inclusion of dopants into available sites instead of surface oxide species.

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)0,001
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 enseignants0,003
Score d'incertitude au seuil0,503

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
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 Opus0,021
Tête enseignante GPT0,202
Écart entre enseignants0,180 · 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

Citations85
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetQuantum Dots Synthesis And PropertiesTravaux en français237 207