聚集诱导发光（AIE）现象是整体论的典型代表之一，涨知AIE类分子在单分散态时发光微弱甚至不发光，而在聚集态高效发光。
在数据库中，识大识图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。此外，话电目前材料表征技术手段越来越多，对应的图形数据以及维度也越来越复杂，依靠人力的实验分析有时往往无法挖掘出材料性能之间的深层联系。
此外，力知随着机器学习的不断发展，深度学习的概念也时常出现在我们身边。根据机器学习训练集是否有对应的标识可以分为监督学习、涨知无监督学习、半监督学习以及强化学习。（i）表示材料的能量吸收特性的悬臂共振品质因数图像在扫描透射电子显微镜（STEM）的数据分析中，识大识图由于数据的数量和维度的增大，识大识图使得手动非原位分析存在局限性。
再者，话电随着计算机的发展，话电许多诸如第一性原理计算、相场模拟、有限元分析等手段随之出现，用以进行材料的结构以及性能方面的计算，但是往往计算量大，费用大。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：力知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，力知对症下方，方能功成。
经过计算并验证发现，涨知在数据库中的26674种材料中，金属/绝缘体分类的准确度为86%，仅仅有2414种材料被误分类（图3-2）。
当然，识大识图机器学习的学习过程并非如此简单。话电图5 本体和电化学界面电解质结构微观分析和热力学分析©2023NationalAcademyofScience（A）本体电解质的代表性MD快照。
力知（B）LDME1.2和1.8相对于DMEO配位的一维自由能分布。最后证明了经过局部优化的基于二乙醚的局部高浓度电解质支持动力学应变操作条件，涨知包括低至-60℃的循环和LMB全电池中20分钟的快速充电。
出乎意料的是，识大识图作者发现离子配对的最大程度对于超低温和高倍率运行来说并不理想，并且通过远离饱和点的轻微局部稀释，可逆性得到了显著改善。（B-E）电池分别在以下条件下的循环性能：话电（B）23℃，C/3充电||C/3放电和4.3V截止电压。
