A Facet‐Specific Quantum Dot Passivation Strategy for Colloid Management and Efficient Infrared Photovoltaics
Notice bibliographique
Résumé
Colloidal nanocrystals combine size- and facet-dependent properties with solution processing. They offer thus a compelling suite of materials for technological applications. Their size- and facet-tunable features are studied in synthesis; however, to exploit their features in optoelectronic devices, it will be essential to translate control over size and facets from the colloid all the way to the film. Larger-diameter colloidal quantum dots (CQDs) offer the attractive possibility of harvesting infrared (IR) solar energy beyond absorption of silicon photovoltaics. These CQDs exhibit facets (nonpolar (100)) undisplayed in small-diameter CQDs; and the materials chemistry of smaller nanocrystals fails consequently to translate to materials for the short-wavelength IR regime. A new colloidal management strategy targeting the passivation of both (100) and (111) facets is demonstrated using distinct choices of cations and anions. The approach leads to narrow-bandgap CQDs with impressive colloidal stability and photoluminescence quantum yield. Photophysical studies confirm a reduction both in Stokes shift (≈47 meV) and Urbach tail (≈29 meV). This approach provides a ≈50% increase in the power conversion efficiency of IR photovoltaics compared to controls, and a ≈70% external quantum efficiency at their excitonic peak.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».