MétaCan
Menu
Retour à la cohorte
Enregistrement W2330441883 · doi:10.1021/nn505343e

Electronically Active Impurities in Colloidal Quantum Dot Solids

2014· article· en· W2330441883 sur OpenAlexaff
Graham H. Carey, Illan J. Kramer, Pongsakorn Kanjanaboos, Gabriel Moreno‐Bautista, Oleksandr Voznyy, Lisa R. Rollny, Joel A. Tang, Sjoerd Hoogland, Edward H. Sargent

Notice bibliographique

RevueACS Nano · 2014
Typearticle
Langueen
DomaineMaterials Science
ThématiqueQuantum Dots Synthesis And Properties
Établissements canadiensUniversity of Toronto
Organismes subventionnairesKing Abdullah University of Science and Technology
Mots-clésQuantum dotBifunctionalPhotovoltaicsLigand (biochemistry)Materials scienceColloidNanotechnologyNanoparticleImpurityPhotodetectionActive layerChemical engineeringLayer (electronics)ChemistryPhotovoltaic systemOptoelectronicsOrganic chemistryCatalysis

Résumé

récupéré en direct d'OpenAlex

Colloidal quantum dot films have seen rapid progress as active materials in photodetection, light emission, and photovoltaics. Their processing from the solution phase makes them an attractive option for these applications due to the expected cost reductions associated with liquid-phase material deposition. Colloidally stable nanoparticles capped using long, insulating aliphatic ligands are used to form semiconducting, insoluble films via a solid-state ligand exchange in which the original ligands are replaced with short bifunctional ligands. Here we show that this ligand exchange can have unintended and undesired side effects: a high molecular weight complex can form, containing both lead oleate and the shorter conductive ligand, and this poorly soluble complex can end up embedded within the colloidal quantum dot (CQD) active layer. We further show that, by adding an acidic treatment during film processing, we can break up and wash away these complexes, producing a higher quality CQD solid. The improved material leads to photovoltaic devices with reduced series resistance and enhanced fill factor relative to controls employing previously reported CQD solids.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,017
Score d'incertitude au seuil0,492

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 savante0,0000,000
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 Opus0,012
Tête enseignante GPT0,233
Écart entre enseignants0,221 · 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

Citations36
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetQuantum Dots Synthesis And PropertiesTravaux en français237 207