MétaCan
Menu
Retour à la cohorte
Enregistrement W2536254145 · doi:10.1021/acs.chemmater.6b02667

From Hydrogen Silsesquioxane to Functionalized Silicon Nanocrystals

2016· article· en· W2536254145 sur OpenAlexafffund
Rhett J. Clark, Maryam Aghajamali, Christina M. González, Lida Hadidi, Muhammad Amirul Islam, Morteza Javadi, Md Hosnay Mobarok, Tapas K. Purkait, Christopher Jay T. Robidillo, Regina Sinelnikov, Alyxandra Thiessen, John W. Washington, Haoyang Yu, Jonathan G. C. Veinot

Notice bibliographique

RevueChemistry of Materials · 2016
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSilicon Nanostructures and Photoluminescence
Établissements canadiensConcordia University of EdmontonUniversity of Alberta
Organismes subventionnairesUniversity of AlbertaNatural Sciences and Engineering Research Council of CanadaConcordia University of Edmonton
Mots-clésSilsesquioxaneDispersitySiliconMaterials scienceNanotechnologyHydrogen silsesquioxanePhotovoltaicsNanocrystalNanoparticleEtching (microfabrication)Surface modificationCharacterization (materials science)Chemical engineeringOptoelectronicsPolymerPolymer chemistryPhotovoltaic system

Résumé

récupéré en direct d'OpenAlex

Silicon nanocrystals exhibit size-dependent optical and electronic properties that may be exploited for applications ranging from sensors to photovoltaics. In addition, they can be utilized in biological and environmental systems thanks to the nontoxicity of silicon. Synthesis of silicon nanocrystals has been accomplished using a variety of methods. However, creating near monodisperse systems of high purity has been a challenge. The high temperature processing of hydrogen silsesquioxane method of particle synthesis reproducibly provides pure, near monodisperse particles in scalable quantities. These particles can then be liberated using HF etching and functionalized using a variety of methods. This paper outlines our lab procedures for creating silicon nanocrystals, the various functionalization methods and the most commonly used characterization techniques.

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 enseignants0,003
Score d'incertitude au seuil0,009

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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,010
Tête enseignante GPT0,229
Écart entre enseignants0,219 · 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

Citations83
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueChemistry of MaterialsMême sujetSilicon Nanostructures and PhotoluminescenceTravaux en français237 207