系统应用方面，推广统新当贝PadGO搭载被誉为大屏iOS的当贝OS，该系统不仅是当贝智能硬件产品的杀手锏，也深受三星、索尼、LG等全球知名厂商认可。

参考文献[1]K.T.Butler,D.W.Davies,H.Cartwright,O.Isayev,A.Walsh,Nature,559(2018)547.[2]D.-H.Kim,T.J.Kim,X.Wang,M.Kim,Y.-J.Quan,J.W.Oh,S.-H.Min,H.Kim,B.Bhandari,I.Yang,InternationalJournalofPrecisionEngineeringandManufacturing-GreenTechnology,5(2018)555-568.[3]周子扬,电子世界,(2017)72-73.[4]O.Isayev,C.Oses,C.Toher,E.Gossett,S.Curtarolo,A.Tropsha,Naturecommunications,8(2017)15679.[5]V.Stanev,C.Oses,A.G.Kusne,E.Rodriguez,J.Paglione,S.Curtarolo,I.Takeuchi,npjComputationalMaterials,4(2018)29.[6]A.Rovinelli,M.D.Sangid,H.Proudhon,W.Ludwig,npjComputationalMaterials,4(2018)35.[7]J.C.Agar,Y.Cao,B.Naul,S.Pandya,S.vanderWalt,A.I.Luo,J.T.Maher,N.Balke,S.Jesse,S.V.Kalinin,AdvancedMaterials,30(2018)1800701.[8]R.K.Vasudevan,N.Laanait,E.M.Ferragut,K.Wang,D.B.Geohegan,K.Xiao,M.Ziatdinov,S.Jesse,O.Dyck,S.V.Kalinin,npjComputationalMaterials,4(2018)30.[9]A.Maksov,O.Dyck,K.Wang,K.Xiao,D.B.Geohegan,B.G.Sumpter,R.K.Vasudevan,S.Jesse,S.V.Kalinin,M.Ziatdinov,npjComputationalMaterials,5(2019)12.[10]Y.Zhang,C.Ling,NpjComputationalMaterials,4(2018)25.[11]H.Trivedi,V.V.Shvartsman,M.S.Medeiros,R.C.Pullar,D.C.Lupascu,npjComputationalMaterials,4(2018)28.往期回顾：智能总漏认识这些带你轻松上王者——电催化产氧（OER）测试手段解析新能源材料领域常见的碳包覆法——应用及特点单晶培养秘诀——知己知彼，智能总漏对症下方，方能功成。就是针对于某一特定问题，线监建立合适的数据库，线监将计算机和统计学等学科结合在一起，建立数学模型并不断的进行评估修正，最后获得能够准确预测的模型。

然而，测系实验产生的数据量、种类、准确性和速度成阶梯式增长，使传统的分析方法变得困难。2018年，技术在nature正刊上发表了一篇题为机器学习在分子以及材料科学中的应用的综述性文章[1]。目前，推广统新机器学习在材料科学中已经得到了一些进展，如进行材料结构、相变及缺陷的分析[4-6]、辅助材料测试的表征[7-9]等。

首先，智能总漏构建深度神经网络模型（图3-11），智能总漏识别在STEM数据中出现的破坏晶格周期性的缺陷，利用模型的泛化能力在其余的实验中找到各种类型的原子缺陷。然后，线监为了定量的分析压电滞回线的凹陷特征，构建图3-8所示的凸结构曲线。

为了解决这个问题，测系2019年2月，Maksov等人[9]建立了机器学习模型来自动分析图像。

需要注意的是，技术机器学习的范围非常庞大，有些算法很难明确归类到某一类。目前，推广统新陈忠伟课题组在对锂硫电池的研究中取得了突破性的进展，推广统新研究人员使用原位XRD技术对小分子蒽醌化合物作为锂硫电池正极的充放电过程进行表征并解释了其反应机理（NATURECOMMUN.,2018,9,705），如图二所示。

智能总漏此外还可用分子动力学模拟及蒙特卡洛模拟材料的动力学行为及结构特征。小编根据常见的材料表征分析分为四个大类，线监材料结构组分表征，材料形貌表征，材料物理化学表征和理论计算分析。

它不仅反映吸收原子周围环境中原子几何配置，测系而且反映凝聚态物质费米能级附近低能位的电子态的结构，测系因此成为研究材料的化学环境及其缺陷的有用工具。此外，技术结合各种研究手段，与多学科领域相结合、相互佐证给出完美的实验证据来证明自己的观点更显得尤为重要。