Enhanced Thermoelectric Performance of SnSe Thin Film via Simultaneous Optimization of Texture and Carrier Concentrations
Notice bibliographique
Résumé
ABSTRACT Polycrystalline SnSe thin film materials have gained increasing attention as a promising solution for fabricating microscale, flexible, self‐powered electronic components in the field of thermoelectric (TE) materials and devices. However, it is still a great challenge to simultaneously achieve preferred crystal orientation and optimize carrier concentration for SnSe thin films, which are two crucial factors affecting the TE performance, due to the high volatility of Se. Herein, a simple and scalable method using the magnetron co‐sputtering technique with SnSe 2 and SnSe targets is proposed for preparing highly textured polycrystalline SnSe thin films with appropriate carrier concentration. It was found that during the high‐temperature deposition process, SnSe 2 transforms into SnSe, improving their anisotropy of electronic bands around the valley extrema, inducing localized strain field and stacking faults, and the incorporation of Se facilitates an increase in carrier concentration. The co‐sputtered SnSe thin films show a 45% higher power factor of 2.77 μW cm −1 K −2 compared to that constructed by mono‐sputtered SnSe films with the SnSe target alone. Additionally, localized strain field and stacking faults also serve as centers for phonon scattering, thereby reducing lattice thermal conductivity. Consequently, the estimated zT value of 0.65 at 650 K of the polycrystalline SnSe film reaches a relatively high level.
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 | 0,000 | 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 ».