Resurfacing of InAs Colloidal Quantum Dots Equalizes Photodetector Performance across Synthetic Routes
Notice bibliographique
Résumé
The synthesis of highly monodispersed InAs colloidal quantum dots (CQDs) is needed in InAs CQD-based optoelectronic devices. Because of the complexities of working with arsenic precursors such as tris-trimethylsilyl arsine ((TMSi) 3 As) and tris-trimethylgermyl arsine ((TMGe) 3 As), several attempts have been made to identify new candidates for synthesis; yet, to date, only the aforementioned two highly reactive precursors have led to excellent photodetector device performance. We begin the present study by investigating the mechanism, finding that the use of the cosurfactant dioctylamine plays a crucial role in producing monodispersed InAs populations. Through quantitative analysis of ligands on the surface of InAs CQDs, we find that (TMGe) 3 As leads to In-rich characteristics, and we document the presence of an amorphous In-oleate shell on the surface. This we find causes surface defects, and thus, we develop materials processing strategies to remove the surface shell with a view to achieving efficient charge transfer in CQD solids. As a result, we develop resurfacing protocols, tailored to each dot synthesis, that produce balanced In-to-As stoichiometry regardless of synthetic input, enabling us to fabricate NIR photodetectors that achieve best-in-class EQEs at 940 nm excitons (25–28%, biased), independent of the synthetic pathway.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».