MétaCan
Menu
Retour à la cohorte
Enregistrement W2418153320 · doi:10.1021/acsnano.5b05617

All-Quantum-Dot Infrared Light-Emitting Diodes

2015· article· en· W2418153320 sur OpenAlexafffund
Zhenyu Yang, Oleksandr Voznyy, Mengxia Liu, Mingjian Yuan, Alexander H. Ip, Osman Ahmed, Larissa Levina, Sachin Kinge, Sjoerd Hoogland, Edward H. Sargent

Notice bibliographique

RevueACS Nano · 2015
Typearticle
Langueen
DomaineMaterials Science
ThématiqueQuantum Dots Synthesis And Properties
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaKing Abdullah University of Science and Technology
Mots-clésElectroluminescenceLight-emitting diodeOptoelectronicsMaterials scienceQuantum dotDiodeInfraredQuantum efficiencyNanotechnologyLayer (electronics)OpticsPhysics

Résumé

récupéré en direct d'OpenAlex

Colloidal quantum dots (CQDs) are promising candidates for infrared electroluminescent devices. To date, CQD-based light-emitting diodes (LEDs) have employed a CQD emission layer sandwiched between carrier transport layers built using organic materials and inorganic oxides. Herein, we report the infrared LEDs that use quantum-tuned materials for each of the hole-transporting, the electron-transporting, and the light-emitting layers. We successfully tailor the bandgap and band position of each CQD-based component to produce electroluminescent devices that exhibit emission that we tune from 1220 to 1622 nm. Devices emitting at 1350 nm achieve peak external quantum efficiency up to 1.6% with a low turn-on voltage of 1.2 V, surpassing previously reported all-inorganic CQD LEDs.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,159
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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)0,0000,002

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 Opus0,052
Tête enseignante GPT0,264
Écart entre enseignants0,212 · 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.

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

Citations74
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetQuantum Dots Synthesis And PropertiesTravaux en français237 207