神上利用機器學習解決問題的過程為定義問題-數(shù)據(jù)收集-建立模型-評估-結(jié)果分析。首先，習貫構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型（圖3-11），習貫識別在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驗中找到各種類型的原子缺陷。首先，徹省構(gòu)建帶有屬性標注的材料片段模型（PLMF）：將材料的晶體結(jié)構(gòu)分解為相互關(guān)聯(lián)的拓撲片段，表示結(jié)構(gòu)的連通性。

再者，第黨代當好隨著計算機的發(fā)展，第黨代當好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。然后，神上采用梯度提升決策樹算法，建立了8個預測模型（圖3-1），其中之一為二分類模型，用于預測該材料是金屬還是絕緣體。

因此，習貫復雜的ML算法的應用大大加速對候選高溫超導體的搜索。

深度學習算法包括循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、徹省卷積神經(jīng)網(wǎng)絡(luò)（CNN）等[3]。鑒于此，第黨代當好新型ML熒光粉的開發(fā)迫在眉睫。

實驗表明：神上ML載流子的釋放與材料的固有缺陷或擴展缺陷高度相關(guān)，應該更關(guān)注材料的微觀結(jié)構(gòu)?！緞?chuàng)新:聚焦桎梏觀點鮮明】近日，習貫廈門大學解榮軍教授、習貫莊逸熙副教授、博士生潘鑫聚焦于力致發(fā)光研究的重點、難點問題，以：1)分類及與其他發(fā)光過程的關(guān)系。

該綜述期待能夠為正處于蓬勃發(fā)展中的ML材料的構(gòu)效關(guān)系及機制理解的發(fā)展提供一些啟示，徹省促進新材料開發(fā)及性能優(yōu)化策略的進程，徹省加速推動力致發(fā)光材料能夠在未來真正走向?qū)嶋H應用。圖4?關(guān)于SrZn2S2O:Mn2+提出的ML機理示意圖【節(jié)選聚焦難點標定展望】雖然研究人員對于力致發(fā)光材料的應用潛力抱以厚望，第黨代當好但相較于其他發(fā)光材料，第黨代當好目前力致發(fā)光的相關(guān)研究由于材料種類較少、過程機理復雜性較高，在理解ML的機理和開發(fā)新型力致發(fā)光材料方面仍然面臨著相當嚴峻的困難和挑戰(zhàn)。