(Invited) Challenges in Quantifying the Purity of Semiconducting Single-Walled Carbon Nanotubes
Notice bibliographique
Résumé
Semiconducting carbon nanotubes (sc-SWCNT) sit amongst the most promising nanomaterials for a new generation of electronic devices. Progress towards commercial applications is combined with challenges related to materials development and characterization, fabrication methods as well as device modeling. This talk will focus primarily on the enrichment process and the related ink formulation for printed electronics and integrated circuits. [1] The quality of carbon nanotube ink solutions is closely tied with the rapid feedback provided by optical spectroscopy methods: UV-vis, Raman and fluorescence. [2] I will describe our efforts on improving the material’s assessment when purity exceeds well beyond 99%. [3] [1] Ding, J.; Li, Z.; Lefebvre, J.; Cheng, F.; Dubey, G.; Zou, S.; Finnie, P.; Hrdina, A.; Scoles, L.; Lopinski, G. P.; Kingston, C. T.; Simard, B.; Malenfant, P. R. L. Enrichment of Large-Diameter Semiconducting SWCNTs by Polyfluorene Extraction for High Network Density Thin Film Transistors. Nanoscale 2014, 6, 2328-2339. [2] J. Lefebvre, J.; Finnie, P.; Fagan, J.; Zheng, M.; Hight Walker, A. R. Metrological Assessment of Single-Wall Carbon Nanotube Materials by Optical Methods. Handbook of Carbon Nanomaterials 2019, 9, R. B. Weisman and J. Kono editors (World Scientific) ISBN 978-981-3235-45-8. [3] Lefebvre, J.; Ding, J.; Li, Z.; Finnie, P.; Lopinski, G.; Malenfant, P. R. L. High-Purity Semiconducting Single-Walled Carbon Nanotubes: A Key Enabling Material in Emerging Electronics. Acc. Chem. Res. 2017, 50 (10), 2479-2486. Figure 1
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,010 |
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 ».