经过深度优化的当贝OS给当贝PadGO带来更加丰富的场景、美丽更加好玩的功能，以及更加流畅的使用体验。

星都（c）N−H伸缩振动频率区域的FTIR光谱。锅底文章信息：FengjuanZhang,JizhongSong,BoCai,XiChen,ChangtingWei,TaoFang,HaiboZeng.StabilizingelectroluminescencecolorofblueperovskiteLEDsviaaminegroupdoping.ScienceBulletin,2021,https://doi.org/10.1016/j.scib.2021.04.033本文由ScienceBulletin期刊编辑投稿。

（d-f）对应于（a-c）中器件的CIE色坐标，美丽以及器件在部分电压下的发光图像。该研究工作通过引入胺基基团并在混合卤素蓝光钙钛矿中形成氢键来抑制卤素离子的迁移，星都在提高发光器件效率的同时，星都极大地抑制了EL器件的颜色漂移（与基准器件随着电压从3 V升高到7 V产生的15nm红移相比，相同条件下胺基掺杂器件几乎不发生光谱红移）。锅底图3.N−H∙∙∙X掺杂策略抑制离子迁移。

美丽图2.N−H∙∙∙X掺杂策略稳定蓝光钙钛矿QDs发光颜色。星都（d）器件的电流密度-电压-亮度特性。

南京理工大学曾海波教授等人提出了一种普适性的氢键键合的胺基掺杂策略，锅底稳定了混合卤素蓝光PeLEDs的发射光谱，锅底同时提升了器件效率及工作稳定性。

本文要点：美丽1.选取胍（GA）和甲脒（FA）作为胺基（−NH2）掺杂源，美丽胺基能够与钙钛矿晶格上的卤素形成N−H∙∙∙X（X= Cl或Br）相互作用，理论和实验研究表明，该胺基掺杂策略增加了卤素离子的迁移能垒，从而抑制卤素离子的迁移。并利用交叉验证的方法，星都解释了分类模型的准确性，精确度为92±0.01%（图3-9）。

在数据库中，锅底根据材料的某些属性可以建立机器学习模型，便可快速对材料的性能进行预测，甚至是设计新材料，解决了周期长、成本高的问题。图3-11识别破坏晶格周期性的缺陷的深度卷积神经网络图3-12由深度卷积神经网络确定的无监督的缺陷分类图3-13不同缺陷态之间转移概率的分析4机器学习在材料领域的研究展望与其他领域，美丽如金融、美丽互联网用户分析、天气预测等相比，材料科学利用机器学习算法进行预测的缺点就是材料中的数据量相对较少。

星都阴影区域表示用于创建凹度曲线的区域图3-9分类模型精确度图图3-10（a~d）由高斯拟合铁电体计算的凹面积图。2机器学习简介所谓的机器学习就是赋予计算机人类的获得知识或技能的能力，锅底然后利用这些知识和技能解决我们所需要解决的问题的过程。