MétaCan
Menu
Retour à la cohorte
Enregistrement W2742810954 · doi:10.1103/physrevmaterials.1.034602

Band engineering of GaSbN alloy for solar fuel applications

2017· article· en· W2742810954 sur OpenAlexafffund
Qing Shi, Ying‐Chih Chen, Faqrul A. Chowdhury, Zetian Mi, Vincent Michaud-Rioux, Hong Guo

Notice bibliographique

RevuePhysical Review Materials · 2017
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueGaN-based semiconductor devices and materials
Établissements canadiensMcGill University
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of Canada
Mots-clésMaterials scienceDopingSemiconductorImpurityBand gapSolar fuelOptoelectronicsChemical physicsNanotechnologyCondensed matter physicsEngineering physicsPhysicsChemistryPhotocatalysis

Résumé

récupéré en direct d'OpenAlex

III-nitride nanostructures possess ideal attributes for harvesting solar energy and generating solar fuel through natural water splitting. The most basic requirement of the latter is to engineer the band gap of the semiconductor to straddle the redox potential of water molecules. To this end, using first principles method we predict that GaN engineered with Sb doping at the dilute limit of 0.3% and/or slightly less is suitable for photochemical water splitting applications. The valence band edge is very significantly enhanced by dilute Sb doping while the conduction band edge is not. The microscopic physics behind the strong band bowing by such a small impurity concentration, not seen in other III-V semiconductors, is revealed by investigating the quantum interaction between Sb impurity states and the host GaN states. The dilute doping limit dictates very large systems to be calculated at the hybrid exchange-correlation level which is made possible by our newly developed first principles approach.

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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,022
Tête enseignante GPT0,308
Écart entre enseignants0,287 · 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

Citations12
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysical Review MaterialsMême sujetGaN-based semiconductor devices and materialsTravaux en français237 207