Modeling of plasmonic properties of nanostructures for next generation solar cells and beyond
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 |
| 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) | 0,000 | 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 découle