此外，合作作者利用高斯擬合定量化磁滯轉(zhuǎn)變曲線的幅度，合作結(jié)合機器學習確定了峰/谷c/a/c/a?-?a1/a2/a1/a2域邊界上的鐵彈性增加的特征（圖3-10），而這一特征是人為無法發(fā)掘的。以上，集團建加便是本人對機器學習對材料領域的發(fā)展作用的理解，如果不足，請指正。作者進一步擴展了其框架，強氫以提取硫空位的擴散參數(shù)，強氫并分析了與由Mo摻雜劑和硫空位組成的不同配置的缺陷配合物之間切換相關(guān)的轉(zhuǎn)換概率，從而深入了解點缺陷動力學和反應（圖3-13）。

Ceder教授指出，領域可以借鑒遺傳科學的方法，領域就像DNA堿基對編碼蛋白質(zhì)等各種生物材料一樣，用材料基因組編碼各種化合物，而實現(xiàn)這一編碼的工具便是計算機的數(shù)據(jù)挖掘及機器學習算法等。深度學習算法包括循環(huán)神經(jīng)網(wǎng)絡（RNN）、合作卷積神經(jīng)網(wǎng)絡（CNN）等[3]。

再者，集團建加隨著計算機的發(fā)展，集團建加許多諸如第一性原理計算、相場模擬、有限元分析等手段隨之出現(xiàn)，用以進行材料的結(jié)構(gòu)以及性能方面的計算，但是往往計算量大，費用大。

雖然這些實驗過程給我們提供了試錯經(jīng)驗，強氫但是失敗的實驗數(shù)據(jù)擺放在那里彷佛變得并無用處。此外，領域在811nm激光照射下，異質(zhì)結(jié)構(gòu)表現(xiàn)出高達7.5×1012?Jones的光檢出率。

清華大學BiluLiu教授和成會明院士為通訊作者在ACSNano上發(fā)表文章，合作題為VerticalChemicalVaporDepositionGrowthofHighlyUniform2DTransitionMetalDichalcogenides，合作報告了一種使用氣體前驅(qū)體的垂直化學氣相沉積(VCVD)設計，用于在整個襯底上生長密度均勻、質(zhì)量高、重現(xiàn)性好的單層TMDCs。進一步的分析表明，集團建加經(jīng)過訓練的網(wǎng)絡可以提取深度圖形特征，集團建加如對比度、顏色、邊緣、形狀、片狀大小及其分布，在此基礎上開發(fā)了一種集成方法來預測二維材料最相關(guān)的物理特性。

Deep-Learning-EnabledFastOpticalIdentification,Adv.Mater.,2020,DOI:10.1002/adma.202000953.https://doi.org/10.1002/adma.2020009535.Adv.Funct.Mater.MXene異質(zhì)結(jié)構(gòu)具有優(yōu)異性能的電容器2D/2D異質(zhì)結(jié)構(gòu)可以結(jié)合每個2D材料的共同優(yōu)勢，強氫甚至顯示出協(xié)同效應的改善性能。這種氣體VCVD設計可以很好地控制TMDC生長過程中的三個關(guān)鍵參數(shù)，領域包括前驅(qū)體濃度、領域氣體流量和溫度，這在目前廣泛使用的含固體前驅(qū)體的水平CVD系統(tǒng)中是無法做到的。