应用场景：益生菌检测

关键性能：基于RFC的线性判别分析分类器对益生菌菌株的分类准确率达99.68%，即使在菌株丰度比1:1000的样品中，也能灵敏地检测出低丰度的菌株

标签属性：拉曼

应用场景：计算光学成像

关键性能：显著提升了深度学习在计算成像中的理论合理性与计算成像性能

标签属性：机器学习

应用场景：工业高盐废水处理、海水淡化和紧急救灾

关键性能：该材料具备超90%的宽光谱吸收率和高效光热转换能力，展现出优异的化学稳定性与机械柔韧性，可在pH<1的强酸环境中连续运行30天，保持2.8 kg m-2h-1的稳定蒸发速率

标签属性：海水淡化 膜材料

应用场景：固态电解质的设计与开发

关键性能：团队从晶体结构数据库中筛选出了含有孤立N3-、Cl-、I-和S2-阴离子的化合物

标签属性：固态电解质

应用场景：海水淡化

关键性能：优化后的PS4L2膜具有水接触角171.1°、油接触角139.6°和表面能12.39 mNm−1，孔隙率高达87.4%，在处理含有1.0mM十二烷基硫酸钠的海水时，该膜保持了稳定的99.9%盐分截留率，显著优于传统膜，展现出优异的膜蒸馏性能。

标签属性：膜

应用场景：该工作对于云BMS系统利用量子计算能力进行SOH估计具有重要意义。

关键性能：具有良好的估计准确性、鲁棒性和泛化性。

标签属性：机器学习 锂离子

应用场景：糖尿病的动态监测与管理

关键性能：这一系统衰荡信号测量的相对标准偏差0.12%，响应时间1s，丙酮的检测极限144ppb，检测线性度0.99921。在与检测“金标准”GC-MS的对比测试中，相关系数1.0025，仪器总质量小于5.0 Kg

标签属性：光谱

应用场景：新材料设计与筛选、非常规磁性材料研究

关键性能：识别磁性材料的自旋群和磁群对称性，并预测其物理效应

标签属性：磁性材料

应用场景：电池原型的性能评估

关键性能：通过融合物理模型与机器学习，提出了一种非破坏性的电池退化模式解耦方法，并实现早期寿命预测

标签属性：电池性能评估

应用场景：冷冻电子断层成像

关键性能：能够在多种细胞切片样品的tomogram中清晰展示膜表面的蛋白分布；提供每个颗粒的初始取向用于辅助膜蛋白STA的计算

标签属性：冷冻电子断层成像

应用场景：静电薄膜电容器

关键性能：三层结构的0-0.75-0纳米复合材料实现了最高放电能量密度为7.7 J cm⁻³，充放电效率为80.2 %

标签属性：膜材料

应用场景：深度学习

关键性能：由此方法得到的原子轨道基组哈密顿量不仅可以准确地重复出平面波方法计算得到的电子结构信息，还能够直接适配原有的DeepH框架并训练得到准确的神经网络模型。

标签属性：机器学习

应用场景：锂离子电池

关键性能：经Mg掺杂改性后的超高镍材料实现了优异的高电压储锂结构稳定性

标签属性：原位

应用场景：深度学习电子结构计算

关键性能：能在零训练数据的情形下利用基本物理原理实现DeepH优化学习。该方法通过在神经网络中嵌入物理规则，巧妙地将神经网络与变分DFT算法结合，形成了一种名为“神经网络DFT”的无监督学习框架。DeepH-Zero在模型精度和泛化能力方面显著超越了传统监督学习框架，它能够在不依赖任何训练计算数据的情况下，实现对材料物性的精准预测

标签属性：机器学习

应用场景：金属3D打印

关键性能：实现了整个金属3D打印成形过程数据的采集目标

标签属性：金属3D打印

应用场景：有机氟化合物

关键性能：为科研人员、教育工作者和行业专业人士提供专业、可靠、时新和丰富的含氟化试剂的相关信息

标签属性：有机氟化合物

应用场景：机器学习

关键性能：在具备充足数据的hMOF_MOFX数据库中，Uni-MOF的预测精度高达0.98。在数据集CoRE_MAP上，Uni-MOF的预测精度达到0.83

标签属性：机器学习

应用场景：3D打印材料

关键性能：其拉-拉疲劳强度从原始态的475 MPa提升至978 MPa，增幅高达106%

标签属性：3D打印

应用场景：智能穿戴

关键性能：成的手环可在0.3-40 mM范围内连续监测汗液钾离子浓度，精确度高达0.994，实现可靠的无线实时表皮生物传感

标签属性：柔性电子 智能穿戴

应用场景：3D打印

关键性能：率先实现了3D打印可降解金属多孔植入物的临床应用，成功完成围关节骨折骨缺损修复30余例

标签属性：3D打印