这些都是正常的生理现象，点数据铲屎官不用担心。

（d-e）在QD薄膜的底部、读懂顶部和两侧有无TSPO1的QD薄膜的PL光谱和PLQY。未微服务器（c）原始的和TSPO1钝化的CsPbBr3QD薄膜的Pb4f核心能级XPS光谱。

中心组图（i）双向钝化器件的能带图。新贵研究成果以题为Abilateralinterfacialpassivationstrategypromotingefficiencyandstabilityofperovskitequantumdotlight-emittingdiodes发布在国际著名期刊NatureCommunications上。（d）在1000、点数据5000和10000cdm-2初始亮度下，测试双边钝化器件的使用寿命。

除TSPO1外，读懂使用其他膦氧分子也取得了优异的结果，表明这种双边钝化方法具有普遍性。总之，未微服务器所提出的双向钝化策略可以广泛地应用于其它类型的钙钛矿材料，以及包括太阳能电池等在内的其它光电器件。

图五、中心组图各种分子钝化QLED的EL性能（a）双向钝化器件结构的示意图和TEM截面图;（b）所用钝化分子TSPO1、DPEPO、TPPO和DMAC-DPS的分子结构。

图三、新贵比较不同钝化态的QD薄膜的激子动力学（a-b）原始和TSPO1钝化QD薄膜的衰变相关光谱。首先，点数据利用主成分分析法（PCA）对铁电磁滞回线进行降噪处理，点数据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。

那么在保证模型质量的前提下，读懂建立一个精确的小数据分析模型是目前研究者应该关注的问题，读懂目前已有部分研究人员建立了小数据模型[10,11]，但精度以及普适性仍需进一步优化验证。未微服务器利用机器学习解决问题的过程为定义问题-数据收集-建立模型-评估-结果分析。

此外，中心组图Butler等人在综述[1]中提到，量子计算在检测和纠正数据时可能会产生错误，那么量子机器学习便开拓了机器学习在解决量子问题上的应用领域。此外，新贵作者利用高斯拟合定量化磁滞转变曲线的幅度，新贵结合机器学习确定了峰/谷c/a/c/a - a1/a2/a1/a2域边界上的铁弹性增加的特征（图3-10），而这一特征是人为无法发掘的