Computational Screening of Chiral Organic Semiconductors: Exploring Side-Group Functionalization and Assembly to Optimize Charge Transport
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
Molecular materials are challenging to design as their packing arrangement and hence properties are subject to subtle variations in the interplay of soft intermolecular interactions that are difficult to predict. The rational design of new molecular materials with tailored properties is currently hampered by the lack of knowledge of how a candidate molecule will pack in space and how we can control the polymorphs we can experimentally obtain. Here, we develop a simplified approach to aid the material design process, by the development of a screening process that is used to test 1344 helicene molecules that have potential as organic electronic materials. Our approach bridges the gap between single molecule design, molecular assembly, and the resulting charge-carrier mobilities. We find that fluorination significantly improves electron transport in the molecular material by up to 200%; the reference [6]helicene packing showed a mobility of 0.30 cm2 V-1 s-1, fluorination increased the mobility to up to 0.96 and 0.97 (13-fluoro[6]H and 4,13-difluoro[6]H), assuming an outer reorganisation energy of 0.30 eV. Side groups containing triple bonds largely lead to improved transfer integrals. We validate our screening approach through the use of crystal structure prediction to confirm the presence of favourable packing motifs to maximize charge mobility.
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) | 0,001 | 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 découle