Displays based on inorganic light-emitting diodes (LED) are considered as the most promising one among the display technologies for the next-generation. The chip for LED display bears similar features to those currently in use for general lighting, but it size is shrunk to below 200 microns. Thus, the advantages of high efficiency and long life span of conventional LED chips are inherited by miniaturized ones. As the size gets smaller, the resolution enhances, but at the expense of elevating the complexity of fabrication. In this review, we introduce two sorts of inorganic LED displays, namely relatively large and small varieties. The mini-LEDs with chip sizes ranging from 100 to 200 μm have already been commercialized for backlight sources in consumer electronics applications. The realized local diming can greatly improve the contrast ratio at relatively low energy consumptions. The micro-LEDs with chip size less than 100 μm, still remain in the laboratory. The full-color solution, one of the key technologies along with its three main components, red, green, and blue chips, as well color conversion, and optical lens synthesis, are introduced in detail. Moreover, this review provides an account for contemporary technologies as well as a clear view of inorganic and miniaturized LED displays for the display community.

Abstract Using supplementary cementitious materials in concrete production makes it eco-friendly by decreasing cement usage and the corresponding CO 2 emissions. One key measure of concrete’s durability performance is its porosity. An empirical prediction of the porosity of high-performance concrete with added cementitious elements is the goal of this work, which employs machine learning approaches. Binder, water/cement ratio, slag, aggregate content, superplasticizer (SP), fly ash, and curing conditions were considered as inputs in the database. The aim of this study is to create ML models that could evaluate concrete porosity. Gene expression programming (GEP) and multi-expression programming (MEP) were used to develop these models. Statistical tests, Taylor’s diagram, R 2 values, and the difference between experimental and predicted readings were the metrics used to evaluate the models. With R 2 = 0.971, mean absolute error (MAE) = 0.348%, root mean square error (RMSE) = 0.460%, and Nash–Sutcliffe efficiency (NSE) = 0.971, the MEP provided a slightly better-fitted model and improved prediction performance when contrasted with the GEP, which had R 2 = 0.925, MAE = 0.591%, RMSE = 0.745%, and NSE = 0.923. Binder, water/binder ratio, curing conditions, and aggregate content had a direct (positive) relationship with the porosity of concrete, while SP, fly ash, and slag had an indirect (negative) association, according to the SHapley Additive exPlanations study.

The structural components of the thymus are essential for guiding T cell development, but a thorough spatial view is still absent. Here we develop the TSO-his tool, designed to integrate multimodal data from single-cell and spatial transcriptomics to decipher the intricate structure of human thymus. Specifically, we characterize dynamic changes in cell types and critical markers, identifying ELOVL4 as a mediator of CD4

By analyzing students’ understanding of a certain subject’s knowledge and learning process, and evaluating their learning level, we can formulate students’ learning plans and teachers’ curricula. However, the large amount of data processing consumes a lot of manpower and time resources, which increases the burden on educators. Therefore, this study aims to use a machine learning model to build a model to evaluate students’ learning levels for art education. To improve the prediction accuracy of the model, SVM was adopted as the basic model in this study, and was combined with SSA, ISSA, and KPCA-ISSA algorithms in turn to form a composite model. Through the experimental analysis of prediction accuracy, we found that the prediction accuracy of the KPCA-ISSA-SVMM model reached the highest, at 96.7213%, while that of the SVM model was only 91.8033%. Moreover, by putting the prediction results of the four models into the confusion matrix, it can be found that with an increase in the complexity of the composite model, the probability of classification errors in model prediction gradually decreases. It can be seen from the importance experiment that the students’ achievements in target subjects (PEG) have the greatest influence on the model prediction effect, and the importance score is 9.5958. Therefore, we should pay more attention to this characteristic value when evaluating students’ learning levels.