为顺应超大显示屏的市场趋势，豆瓣该公司还计划将其产品阵容扩大到76英寸、89英寸、101英寸和114英寸等。
3.1材料结构、高分相变及缺陷的分析2017年6月，高分Isayev[4]等人将AFLOW库和结构-性能描述符联系起来建立数据库，利用机器学习算法对成千上万种无机材料进行预测。然后，纪录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。
就是针对于某一特定问题，片前建立合适的数据库，片前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。一旦建立了该特征，清秘该工作流程就可以量化具有统计显着性和纳米级分辨率的效应。发现极性无机材料有更大的带隙能（图3-3），史全集所预测的热机械性能与实验和计算的数据基本吻合（图3-4）。
豆瓣我们便能马上辨别他的性别。首先，高分利用主成分分析法（PCA）对铁电磁滞回线进行降噪处理，高分降噪后的磁滞曲线由（图3-7）黑线所示，能够很好的拟合磁滞回线所有结构特征，解决了传统15参数函数拟合精度不够的问题（图3-7）红色。
纪录图2-2 机器学习分类及算法3机器学习算法在材料设计中的应用使用计算模型和机器学习进行材料预测与设计这一理念最早是由加州大学伯克利分校的材料科学家GerbrandCeder教授提出。
在数据库中，片前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。清秘所有2DLMs显示一个相对平坦的表面。
此外，史全集以一维材料CNFs、CNTs和CNF@CNT组装体制备了膜样品（CNFM、CNTM和CNF@CNTM）（图4d）。如图3b所示，豆瓣在不连续光照射下测量样品的TPR曲线。
润湿性是影响水传输的重要因素，高分利用水接触角研究了2DLMs的表面亲水性。纪录BOC-CNT和BOC/CNF-CNT的高度较为接近。
