氫儲(chǔ)利用機(jī)器學(xué)習(xí)解決問(wèn)題的過(guò)程為定義問(wèn)題-數(shù)據(jù)收集-建立模型-評(píng)估-結(jié)果分析。首先，運(yùn)環(huán)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型（圖3-11），運(yùn)環(huán)識(shí)別在STEM數(shù)據(jù)中出現(xiàn)的破壞晶格周期性的缺陷，利用模型的泛化能力在其余的實(shí)驗(yàn)中找到各種類型的原子缺陷。首先，蓋茨構(gòu)建帶有屬性標(biāo)注的材料片段模型（PLMF）：將材料的晶體結(jié)構(gòu)分解為相互關(guān)聯(lián)的拓?fù)淦危硎窘Y(jié)構(gòu)的連通性。

再者，基金節(jié)隨著計(jì)算機(jī)的發(fā)展，基金節(jié)許多諸如第一性原理計(jì)算、相場(chǎng)模擬、有限元分析等手段隨之出現(xiàn)，用以進(jìn)行材料的結(jié)構(gòu)以及性能方面的計(jì)算，但是往往計(jì)算量大，費(fèi)用大。然后，投資采用梯度提升決策樹(shù)算法，建立了8個(gè)預(yù)測(cè)模型（圖3-1），其中之一為二分類模型，用于預(yù)測(cè)該材料是金屬還是絕緣體。

因此，氫儲(chǔ)復(fù)雜的ML算法的應(yīng)用大大加速對(duì)候選高溫超導(dǎo)體的搜索。

深度學(xué)習(xí)算法包括循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、運(yùn)環(huán)卷積神經(jīng)網(wǎng)絡(luò)（CNN）等[3]。鑒于此，蓋茨新型ML熒光粉的開(kāi)發(fā)迫在眉睫。

實(shí)驗(yàn)表明：基金節(jié)ML載流子的釋放與材料的固有缺陷或擴(kuò)展缺陷高度相關(guān)，應(yīng)該更關(guān)注材料的微觀結(jié)構(gòu)?！緞?chuàng)新:聚焦桎梏觀點(diǎn)鮮明】近日，投資廈門(mén)大學(xué)解榮軍教授、投資莊逸熙副教授、博士生潘鑫聚焦于力致發(fā)光研究的重點(diǎn)、難點(diǎn)問(wèn)題，以：1)分類及與其他發(fā)光過(guò)程的關(guān)系。

該綜述期待能夠?yàn)檎幱谂畈l(fā)展中的ML材料的構(gòu)效關(guān)系及機(jī)制理解的發(fā)展提供一些啟示，氫儲(chǔ)促進(jìn)新材料開(kāi)發(fā)及性能優(yōu)化策略的進(jìn)程，氫儲(chǔ)加速推動(dòng)力致發(fā)光材料能夠在未來(lái)真正走向?qū)嶋H應(yīng)用。圖4?關(guān)于SrZn2S2O:Mn2+提出的ML機(jī)理示意圖【節(jié)選聚焦難點(diǎn)標(biāo)定展望】雖然研究人員對(duì)于力致發(fā)光材料的應(yīng)用潛力抱以厚望，運(yùn)環(huán)但相較于其他發(fā)光材料，運(yùn)環(huán)目前力致發(fā)光的相關(guān)研究由于材料種類較少、過(guò)程機(jī)理復(fù)雜性較高，在理解ML的機(jī)理和開(kāi)發(fā)新型力致發(fā)光材料方面仍然面臨著相當(dāng)嚴(yán)峻的困難和挑戰(zhàn)。