YZ
Yongbiao Zhao
Author with expertise in Perovskite Solar Cell Technology
Achievements
Cited Author
Key Stats
Upvotes received:
0
Publications:
11
(36% Open Access)
Cited by:
7,036
h-index:
41
/
i10-index:
67
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Tailoring the Energy Landscape in Quasi-2D Halide Perovskites Enables Efficient Green-Light Emission

Li Quan et al.May 5, 2017
Organo-metal halide perovskites are a promising platform for optoelectronic applications in view of their excellent charge-transport and bandgap tunability. However, their low photoluminescence quantum efficiencies, especially in low-excitation regimes, limit their efficiency for light emission. Consequently, perovskite light-emitting devices are operated under high injection, a regime under which the materials have so far been unstable. Here we show that, by concentrating photoexcited states into a small subpopulation of radiative domains, one can achieve a high quantum yield, even at low excitation intensities. We tailor the composition of quasi-2D perovskites to direct the energy transfer into the lowest-bandgap minority phase and to do so faster than it is lost to nonradiative centers. The new material exhibits 60% photoluminescence quantum yield at excitation intensities as low as 1.8 mW/cm2, yielding a ratio of quantum yield to excitation intensity of 0.3 cm2/mW; this represents a decrease of 2 orders of magnitude in the excitation power required to reach high efficiency compared with the best prior reports. Using this strategy, we report light-emitting diodes with external quantum efficiencies of 7.4% and a high luminescence of 8400 cd/m2.
0

HyperGCN: an effective deep representation learning framework for the integrative analysis of spatial transcriptomics data

Yuanyuan Ma et al.Jun 5, 2024
Abstract Background Advances of spatial transcriptomics technologies enabled simultaneously profiling gene expression and spatial locations of cells from the same tissue. Computational tools and approaches for integration of transcriptomics data and spatial context information are urgently needed to comprehensively explore the underlying structure patterns. In this manuscript, we propose HyperGCN for the integrative analysis of gene expression and spatial information profiled from the same tissue. HyperGCN enables data visualization and clustering, and facilitates downstream analysis, including domain segmentation, the characterization of marker genes for the specific domain structure and GO enrichment analysis. Results Extensive experiments are implemented on four real datasets from different tissues (including human dorsolateral prefrontal cortex, human positive breast tumors, mouse brain, mouse olfactory bulb tissue and Zabrafish melanoma) and technologies (including 10X visium, osmFISH, seqFISH+, 10X Xenium and Stereo-seq) with different spatial resolutions. The results show that HyperGCN achieves superior clustering performance and produces good domain segmentation effects while identifies biologically meaningful spatial expression patterns. This study provides a flexible framework to analyze spatial transcriptomics data with high geometric complexity. Conclusions HyperGCN is an unsupervised method based on hyper graph induced g raph c onvolutional n etwork, where it assumes that there existed disjoint tissues with high geometric complexity, and models the semantic relationship of cells through hypergraph, which better tackles the high-order interactions of cells and levels of noise in spatial transcriptomics data.
Load More