此外，安徽越来越多的研究工作开始涉及了使用XAS等需要使用同步辐射技术的表征，而抢占有限的同步辐射光源资源更显得尤为重要。

随后，直接2011年夏天，奥巴马政府宣布了材料基因组计划(MaterialsGenomeInitiative,简称MGI)，该计划在材料科学中掀起了一场革命。实验过程中，交易交易研究人员往往达不到自己的实验预期，而产生了很多不理想的数据。

图3-11识别破坏晶格周期性的缺陷的深度卷积神经网络图3-12由深度卷积神经网络确定的无监督的缺陷分类图3-13不同缺陷态之间转移概率的分析4机器学习在材料领域的研究展望与其他领域，用户如金融、用户互联网用户分析、天气预测等相比，材料科学利用机器学习算法进行预测的缺点就是材料中的数据量相对较少。近年来，参长期这种利用机器学习预测新材料的方法越来越受到研究者的青睐。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、年电无监督学习、半监督学习以及强化学习。

当我们进行PFM图谱分析时，力中仅仅能表征a1/a2/a1/a2与c/a/c/a之间的转变，力中而不能发现a1/a2/a1/a2内的反转，因此将上述降噪处理的数据、凸壳曲线以及k-均值聚类的方法结合在一起进行分析，发现了a1/a2/a1/a2内的结构的转变机制。相关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。

需要注意的是，情况机器学习的范围非常庞大，有些算法很难明确归类到某一类。

此外，说明作者利用高斯拟合定量化磁滞转变曲线的幅度，说明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。安徽d)随拉力变化的全原子模型和粗粒化模型之间的机械效率比较及其相应的形态。

这些发现表明，直接通过有针对性的策略（例如孔隙率和热退火过程控制）来改善光-机械转换性能有着广阔的设计空间。有趣的是，交易交易预测得到的单链偶氮苯酰亚胺理想的光-机械转换效率为10%–24%，等于或略高于现有实验结果，意味着有实验设计方面的效率提升空间。

右侧插图显示了其块体形态，用户其中每个偶氮苯酰亚胺单体使用一种颜色表示。图六：参长期偶氮苯聚酰亚胺块体的最终光致异构化转换效率与初始自由体积分数的构效关系：参长期比较偶氮苯聚酰亚胺块体的体积收缩率、最终光致异构化转化效率和初始自由体积分数的关系。