MétaCan
Menu
Retour à la cohorte
Enregistrement W4414534867 · doi:10.1021/acsnano.5c11320

Metallic Lead Formation in Perovskites: Mechanisms, Suppression, and Future Directions

2025· review· en· W4414534867 sur OpenAlexafffund
Ahmed L. Abdelhady, Shakil N. Afraj, Yuki Haruta, Mohammed Misbah Uddin, Makhsud I. Saidaminov

Notice bibliographique

RevueACS Nano · 2025
Typereview
Langueen
DomaineEngineering
ThématiquePerovskite Materials and Applications
Établissements canadiensUniversity of Victoria
Organismes subventionnairesKhalifa University of Science, Technology and ResearchCanada Research Chairs
Mots-clésPassivationPerovskite (structure)Lead (geology)HalideCharge carrierMetal

Résumé

récupéré en direct d'OpenAlex

High Resolution Image Download MS PowerPoint Slide Lead halide perovskites APbX 3 (A = methylammonium, formamidinium, cesium; X = halogen) have advanced the field of optoelectronics, particularly in solar cells, photodetectors, and light-emitting diodes, due to their outstanding properties. However, a significant challenge remains unresolved: the formation of metallic lead (Pb 0 ), which introduces deep-level defects that trap charge carriers and degrade device performance. The formation of Pb 0 in perovskites can occur after their synthesis under various conditions, including high-energy radiation, light, heat, and moisture, and has also been observed during perovskite crystallization. Thus, it is crucial to understand the underlying mechanisms of Pb 0 formation and its suppression pathways. Recent studies have explored various strategies to suppress Pb 0 formation, including compositional engineering, additive incorporation, and protective passivation layers. In this review, we discuss the origins of Pb 0 formation in perovskites, focusing on the mechanisms driving this process under different environmental conditions, and then strategies for suppressing Pb 0 formation, including compositional engineering and passivation techniques. By addressing these aspects, we seek to identify pathways for enhancing the stability and performance of perovskite-based devices, enabling their widespread adoption in commercial applications.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,994
Score d'incertitude au seuil0,918

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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 Opus0,015
Tête enseignante GPT0,262
Écart entre enseignants0,248 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetPerovskite Materials and ApplicationsTravaux en français237 207