MétaCan
Menu
Retour à la cohorte
Enregistrement W3025983901 · doi:10.1021/acsami.0c06110

High-Throughput Screening of Antisolvents for the Deposition of High-Quality Perovskite Thin Films

2020· article· en· W3025983901 sur OpenAlexafffund
Joseph G. Manion, Andrew H. Proppe, Garion E. J. Hicks, Edward H. Sargent, Dwight S. Seferos

Notice bibliographique

RevueACS Applied Materials & Interfaces · 2020
Typearticle
Langueen
DomaineEngineering
ThématiquePerovskite Materials and Applications
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Foundation for InnovationOntario Centres of Excellence
Mots-clésMaterials sciencePerovskite (structure)ChlorobenzeneDeposition (geology)Thin filmCharacterization (materials science)High-throughput screeningNanotechnologySolventThroughputOptoelectronicsComputer scienceChemical engineeringCatalysisOrganic chemistryBioinformaticsChemistry

Résumé

récupéré en direct d'OpenAlex

One-step solution deposition of high-quality perovskite thin films relies heavily on a small number of antisolvents. Here, we design a simple minimum volume colorimetric solution assay to screen over 100 different solvents. We correctly identify 14 previously reported antisolvents and predict 20 novel candidates. We then refine the assay through analysis of screening results, available solvent properties, and qualitative evaluation of films cast using 50 candidates. Using the refined findings, we successfully demonstrated 15 different antisolvents for characterization and evaluation in inverted devices, including six previously unreported candidates. All candidates produced power conversion efficiencies comparable to chlorobenzene controls without any additional optimization. This work presents the largest scope of antisolvents reported, can be easily adapted to other perovskites, and opens the door to selecting antisolvents based on a wide range of desirable properties including efficiency, usability, safety, and industrial viability.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,017
Score d'incertitude au seuil0,672

Scores Codex et Gemma par catégorie

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)0,0000,000

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 Opus0,027
Tête enseignante GPT0,257
Écart entre enseignants0,230 · 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.

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

Citations17
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS Applied Materials & InterfacesMême sujetPerovskite Materials and ApplicationsTravaux en français237 207