MétaCan
Menu
Retour à la cohorte
Enregistrement W2229503627 · doi:10.1002/adfm.201503338

Electro‐Optics of Colloidal Quantum Dot Solids for Thin‐Film Solar Cells

2016· article· en· W2229503627 sur OpenAlexfundno aff
Xiaoliang Zhang, Carl Hägglund, Erik M. J. Johansson

Notice bibliographique

RevueAdvanced Functional Materials · 2016
Typearticle
Langueen
DomaineMaterials Science
ThématiqueQuantum Dots Synthesis And Properties
Établissements canadiensnon disponible
Organismes subventionnairesEnergimyndighetenVetenskapsrådetUniversity of TorontoSvenska Forskningsrådet FormasGöran Gustafssons Stiftelser
Mots-clésQuantum dotMaterials sciencePhotocurrentQuantum dot solar cellOptoelectronicsSolar cellPhotovoltaic systemMultiple exciton generationExcitonHeterojunctionQuantum opticsThin filmPlasmonic solar cellEnergy conversion efficiencySolar cell efficiencyPolymer solar cellOpticsNanotechnologyCondensed matter physicsPhysics

Résumé

récupéré en direct d'OpenAlex

The electro‐optics of thin‐film stacks within photovoltaic devices plays a critical role for the exciton and charge generation and therefore the photovoltaic performance. The complex refractive indexes of each layer in heterojunction colloidal quantum dot (CQD) solar cells are measured and the optical electric field is simulated using the transfer matrix formalism. The exciton generation rate and the photocurrent density as a function of the quantum dot solid thickness are calculated and the results from the simulations are found to agree well with the experimentally determined results. It can therefore be concluded that a quantum dot solid may be modeled with this approach, which is of general interest for this type of materials. Optimization of the CQD solar cell is performed by using the optical simulations and a maximum solar energy conversion efficiency of 6.5% is reached for a CQD solid thickness of 300 nm.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,019
Tête enseignante GPT0,232
Écart entre enseignants0,213 · 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 source (Gemma direct ou Codex distillé), 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

Citations32
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced Functional MaterialsMême sujetQuantum Dots Synthesis And PropertiesTravaux en français237 207