Excess Polymer in Single-Walled Carbon Nanotube Thin-Film Transistors: Its Removal Prior to Fabrication Is Unnecessary
Notice bibliographique
Résumé
Ultrapure semiconducting single-walled carbon nanotube (sc-SWNT) dispersions produced through conjugated polymer sorting are ideal candidates for the fabrication of solution-processed organic electronic devices on a commercial scale. Protocols for sorting and dispersing ultrapure sc-SWNTs with conjugated polymers for thin-film transistor (TFT) applications have been well refined. Conventional wisdom dictates that removal of excess unbound polymer through filtration or centrifugation is necessary to produce high-performance TFTs. However, this is time-consuming, wasteful, and resource-intensive. In this report, we challenge this paradigm and demonstrate that excess unbound polymer during semiconductor film fabrication is not necessarily detrimental to device performance. Over 1200 TFT devices were fabricated from 30 unique polymer-sorted SWNT dispersions, prepared using two different alternating copolymers. Detailed Raman spectroscopy, x-ray photoelectron spectroscopy (XPS), and atomic force microscopy (AFM) studies of the random-network semiconductor films demonstrated that a simple solvent rinse during TFT fabrication was sufficient to remove unbound polymer from the sc-SWNT films, thus eliminating laborious polymer removal before TFT fabrication. Furthermore, below a threshold polymer concentration, the presence of excess polymer during fabrication did not significantly impede TFT performance. Preeminent performance was achieved for devices prepared from native polymer-sorted SWNT dispersions containing the "original" amount of excess unbound polymer (immediately following enrichment). Lastly, we developed an open-source Machine Learning algorithm to quantitatively analyze AFM images of SWNT films for surface coverage, number of tubes, and tube alignment.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».