MétaCan
Menu
Retour à la cohorte
Enregistrement W3212089862 · doi:10.1021/acsnano.1c08002

Silicon Surface Passivation for Silicon-Colloidal Quantum Dot Heterojunction Photodetectors

2021· article· en· W3212089862 sur OpenAlexafffund
Qiwei Xu, I Teng Cheong, Lingju Meng, Jonathan G. C. Veinot, Xihua Wang

Notice bibliographique

RevueACS Nano · 2021
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSilicon Nanostructures and Photoluminescence
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada First Research Excellence FundAlberta InnovatesKillam TrustsAlberta Innovates - Technology Futures
Mots-clésPassivationMaterials sciencePhotodetectorPhotocurrentPhotodiodeHeterojunctionOptoelectronicsQuantum efficiencySiliconQuantum dotLead sulfideNanotechnology

Résumé

récupéré en direct d'OpenAlex

Sensitizing crystalline silicon (c-Si) with an infrared-sensitive material, such as lead sulfide (PbS) colloidal quantum dots (CQDs), provides a straightforward strategy for enhancing the infrared-light sensitivity of a Si-based photodetector. However, it remains challenging to construct a high-efficiency photodetector based upon a Si:CQD heterojunction. Herein, we demonstrate that Si surface passivation is crucial for building a high-performance Si:CQD heterojunction photodetector. We have studied one-step methyl iodine (CH3I) and two-step chlorination/methylation processes for Si surface passivation. Transient photocurrent (TPC) and transient photovoltage (TPV) decay measurements reveal that the two-step passivated Si:CQD interface exhibits fewer trap states and decreased recombination rates. These passivated substrates were incorporated into prototype Si:CQD infrared photodiodes, and the best performance photodiode based upon the two-step passivation shows an external quantum efficiency (EQE) of 31% at 1280 nm, which represents a near 2-fold increase over the standard device based upon the one-step CH3I passivated Si.

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 enseignants0,007
Score d'incertitude au seuil0,962

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 Opus0,016
Tête enseignante GPT0,248
Écart entre enseignants0,232 · 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

Citations44
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetSilicon Nanostructures and PhotoluminescenceTravaux en français237 207