就是针对于某一特定问题，西门下建立合适的数据库，西门下将计算机和统计学等学科结合在一起，建立数学模型并不断的进行评估修正，最后获得能够准确预测的模型。
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，公个计如金融、公个计互联网用户分析、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。作者进一步扩展了其框架，司完以提取硫空位的扩散参数，司完并分析了与由Mo掺杂剂和硫空位组成的不同配置的缺陷配合物之间切换相关的转换概率，从而深入了解点缺陷动力学和反应（图3-13）。
然后，成5测试采用梯度提升决策树算法，建立了8个预测模型（图3-1），其中之一为二分类模型，用于预测该材料是金属还是绝缘体。量表阴影区域表示用于创建凹度曲线的区域图3-9分类模型精确度图图3-10（a~d）由高斯拟合铁电体计算的凹面积图。有很多小伙伴已经加入了我们，基准但是还满足不了我们的需求，期待更多的优秀作者加入，有意向的可直接微信联系cailiaorenVIP。
随后，西门下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。随机森林模型以及超导材料Tc散点图如图3-5、公个计3-6所示。
然后，司完使用高斯混合模型对检测到的缺陷结构进行无监督分类（图3-12），并显示分类结果可以与特定的物理结构相关联。
3.1材料结构、成5测试相变及缺陷的分析2017年6月，成5测试Isayev[4]等人将AFLOW库和结构-性能描述符联系起来建立数据库，利用机器学习算法对成千上万种无机材料进行预测。量表该论文以题为Cobalt-electrocatalyticHATforfunctionalizationofunsaturatedC–Cbonds发表在知名期刊Nature上。
图2e-HAT异构化适用范围©2022SpringerNature 图3e-HAT还原反应适用范围©2022SpringerNature 图4e-HAT的选择性、基准可拓展性及HAT反应©2022SpringerNature （a）烯烃异构化和还原的选择性。例如，西门下钴基TMHs广泛用于复杂分子结构中过渡金属氢化物催化的烯烃和炔烃的衍生化。
自20世纪50年代以来，公个计电化学反应技术就被广泛采用来生成钴氢化物实现制氢反应，公个计但在合成化学中使用外源性的有机和金属还原剂来利用TMHs的能力仍然是常见的做法。司完图5机理研究©2022SpringerNature（a）e-HAT可能的机理途径。