Modeling of plasmonic properties of nanostructures for next generation solar cells and beyond
Notice bibliographique
Résumé
Plasmonic particles and nanostructures are widely used in photovoltaic and photonics. Surface plasmons were found to enhance different types of solar cells including plasmonic DSSCs, plasmonic solid semiconductor solar cells, plasmonic organic solar cells, and plasmonic perovskite solar cell. Size, composition, and shape of plasmonic nanoparticles as well as nanometer-distance control between particles are key design factors of plasmonic nanostructures. Modeling is rapidly gaining in importance for mechanistic understanding and rational design of plasmonic nanostructures. We review the modeling approaches used to model plasmon resonance features of nanostructures, from classical approaches that can routinely handle most particle sizes used in solar cells to approaches beyond classical electrodynamics such as ab initio approaches based on time-dependent density functional theory (TD-DFT). We highlight recently emerging approaches which have the potential to significantly enhance modeling capabilities in the coming years, in particular, by allowing atomistic (ab initio) modeling at realistic length scales, i.e. of particle sizes beyond 10 nm which are of most interest to plasmonic solar cells but remain problematic with traditional DFT-based techniques, such as density functional tight binding (DFTB) based approaches, time-dependent orbital-free DFT, and machine learning-based approaches, as well as many-body perturbation theory which is expected to gain usage with advances in computing power.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».