（d）在7bar压力下，强强评估两种系统中每吨丙烯的纯化成本。

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、联合列无监督学习、半监督学习以及强化学习。另外7个模型为回归模型，家企均预测绝缘体材料的带隙能（EBG），家企均体积模量（BVRH），剪切模量（GVRH），徳拜温度（θD），定压热容（CP），定容热容（Cv）以及热扩散系数（αv）。

发现极性无机材料有更大的带隙能（图3-3），业签所预测的热机械性能与实验和计算的数据基本吻合（图3-4）。经过计算并验证发现，署氢在数据库中的26674种材料中，金属/绝缘体分类的准确度为86%，仅仅有2414种材料被误分类（图3-2）。参考文献[1]K.T.Butler,D.W.Davies,H.Cartwright,O.Isayev,A.Walsh,Nature,559(2018)547.[2]D.-H.Kim,T.J.Kim,X.Wang,M.Kim,Y.-J.Quan,J.W.Oh,S.-H.Min,H.Kim,B.Bhandari,I.Yang,InternationalJournalofPrecisionEngineeringandManufacturing-GreenTechnology,5(2018)555-568.[3]周子扬,电子世界,(2017)72-73.[4]O.Isayev,C.Oses,C.Toher,E.Gossett,S.Curtarolo,A.Tropsha,Naturecommunications,8(2017)15679.[5]V.Stanev,C.Oses,A.G.Kusne,E.Rodriguez,J.Paglione,S.Curtarolo,I.Takeuchi,npjComputationalMaterials,4(2018)29.[6]A.Rovinelli,M.D.Sangid,H.Proudhon,W.Ludwig,npjComputationalMaterials,4(2018)35.[7]J.C.Agar,Y.Cao,B.Naul,S.Pandya,S.vanderWalt,A.I.Luo,J.T.Maher,N.Balke,S.Jesse,S.V.Kalinin,AdvancedMaterials,30(2018)1800701.[8]R.K.Vasudevan,N.Laanait,E.M.Ferragut,K.Wang,D.B.Geohegan,K.Xiao,M.Ziatdinov,S.Jesse,O.Dyck,S.V.Kalinin,npjComputationalMaterials,4(2018)30.[9]A.Maksov,O.Dyck,K.Wang,K.Xiao,D.B.Geohegan,B.G.Sumpter,R.K.Vasudevan,S.Jesse,S.V.Kalinin,M.Ziatdinov,npjComputationalMaterials,5(2019)12.[10]Y.Zhang,C.Ling,NpjComputationalMaterials,4(2018)25.[11]H.Trivedi,V.V.Shvartsman,M.S.Medeiros,R.C.Pullar,D.C.Lupascu,npjComputationalMaterials,4(2018)28.往期回顾：作央认识这些带你轻松上王者——电催化产氧（OER）测试手段解析新能源材料领域常见的碳包覆法——应用及特点单晶培养秘诀——知己知彼，作央对症下方，方能功成。

此外，国企随着机器学习的不断发展，深度学习的概念也时常出现在我们身边。3.1材料结构、外企相变及缺陷的分析2017年6月，外企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。

图2-1 机器学习的学习过程流程图为了通俗的理解机器学习这一概念，强强举个简单的例子：强强当我们是小朋友的时候，对性别的概念并不是很清楚，这就属于步骤1：问题定义的过程。

在数据库中，联合列根据材料的某些属性可以建立机器学习模型，便可快速对材料的性能进行预测，甚至是设计新材料，解决了周期长、成本高的问题。(3)能源利用、家企均转化与存储。

业签研究成果分别获评2014年和2016年度中国十大科学进展。【常在Nature、署氢Science上发文的团队】1.中科院金属所卢柯卢柯院士作为作为一名杰出的材料科学家，他的成长史充满了传奇的色彩。

郑南峰团队目前主要研究领域为纳米表面化学，作央涉及多功能纳米颗粒，晶化的纳米孔材料和基于纳米颗粒的催化剂等新型功能材料。国企(2)先进电子和光子材料与器件。