MétaCan
Menu
Retour à la cohorte
Enregistrement W4390102940 · doi:10.1021/acsaelm.3c00910

Advanced Applications of Metal–Organic Decomposition Inks in Printed Electronics

2023· article· en· W4390102940 sur OpenAlexaff
Arnold J. Kell, Kaitlin Wagner, Xiangyang Liu, Benoît H. Lessard, Chantal Paquet

Notice bibliographique

RevueACS Applied Electronic Materials · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensUniversity of OttawaNational Research Council Canada
Organismes subventionnairesnon disponible
Mots-clésPrinted electronicsElectronicsMaterials scienceNanotechnologyInkwellAerospaceElectrical conductorElectrical engineeringEngineeringComposite materialAerospace engineering

Résumé

récupéré en direct d'OpenAlex

High Resolution Image Download MS PowerPoint Slide Technology-based industries are constantly seeking materials and methods to fabricate compact, high-performance, and increasingly more complex printed electronic devices, fostering research in advanced conductive inks and processing techniques. Metal–organic decomposition (MOD) inks are a class of conductive inks based on molecular metal precursors that decompose into metallic features once printed, imparting them with unique attributes that distinguish them from particle-based inks. This Spotlight on Applications summarizes recent progress in understanding the chemistry, rheology, and printability of MOD inks that enable them to be printed, processed, and used with material substrates in unconventional ways. Their unique properties and capabilities are being leveraged to advance the field of printed electronics, from their use in 2.5D and 3D surfaces, wearables, and fine line printing and thus broadening the form factors and improving properties of devices used in the medial, automotive and aerospace industries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,006
Tête enseignante GPT0,232
Écart entre enseignants0,226 · 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 source (Gemma direct ou Codex distillé), 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

Citations20
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS Applied Electronic MaterialsMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207