MétaCan
Menu
Retour à la cohorte
Enregistrement W4313147728 · doi:10.1109/pvsc48317.2022.9938621

Demystifying the effect of hydrogen treatment on silicon photovoltaics

2022· article· en· W4313147728 sur OpenAlexaff
Govind Nanda, Sara M. Almenabawy, Rajiv Prinja, Geetu Sharma, Nazir P. Kherani

Notice bibliographique

Revue2022 IEEE 49th Photovoltaics Specialists Conference (PVSC) · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePhotovoltaic Systems and Sustainability
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPhotovoltaicsSiliconHydrogenMaterials scienceOptoelectronicsEngineering physicsComputer sciencePhotovoltaic systemChemistryElectrical engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

Interactions between hydrogen and silicon play an integral role in determining the quality of surface and bulk passivation of various device structures in silicon photovoltaics. The efficacy of a hydrogen treatment method is known to be dependent on whether the interacting hydrogen species is atomic, ionic, or molecular. Furthermore, these concentrations can be altered by controlling the substrate temperature of the silicon substrate. Moreover, an important consideration is the time and atmosphere the treatment is carried out in, as it influences the desorption of hydrogen from silicon. Hence, it is important to undertake a comprehensive investigation of both the theoretical and experimental aspects of hydrogen passivation of silicon devices, thereby developing a clear understanding of how hydrogen behaves within different solar cell structures, and its dependence on substrate properties. In the theoretical study presented, we assume that the total concentration of hydrogen in the silicon substrate does not remain constant when temperature is increased, and that longer exposures to higher temperatures may cause further loss of hydrogen. This will be augmented by experimental studies of a-Si passivation layers on silicon subjected to hydrogen treatments and follow-on stepwise annealing with resulting loss of hydrogen and examination of its effect on the minority carrier lifetime.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,280
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0110,000

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 Opus0,019
Tête enseignante GPT0,253
Écart entre enseignants0,234 · 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.

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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2022 IEEE 49th Photovoltaics Specialists Conference (PVSC)Même sujetPhotovoltaic Systems and SustainabilityTravaux en français237 207