特高(b)绿色箭头表示两个HCP单位细胞共享的2-1-10。

一旦建立了该特征，压青该工作流程就可以量化具有统计显着性和纳米级分辨率的效应。根据Tc是高于还是低于10K，南±将材料分为两类，构建非参数随机森林分类模型预测超导体的类别。

这就是步骤二：伏换数据收集跟据这些特征，我们的大脑自动建立识别性别的模型。经过计算并验证发现，流站流成在数据库中的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）。虽然这些实验过程给我们提供了试错经验，换流但是失败的实验数据摆放在那里彷佛变得并无用处。

次注这一理念受到了广泛的关注。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，特高如金融、特高互联网用户分析、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。

1前言材料的革新对技术进步和产业发展具有非常重要的作用，压青但是传统开发新材料的过程，都采用的试错法，实验步骤繁琐，研发周期长，浪费资源。

此外，南±目前材料表征技术手段越来越多，对应的图形数据以及维度也越来越复杂，依靠人力的实验分析有时往往无法挖掘出材料性能之间的深层联系。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，伏换举个简单的例子：伏换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。

就是针对于某一特定问题，流站流成建立合适的数据库，流站流成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3-1机器学习流程图图3-2 数据集分类图图3-3                       图3-3 带隙能与电离势关系图图3-4 模型预测数据与计算数据的对比曲线2018年Zong[5]等人采用随机森林算法以及回归模型，换流来研究超导体的临界温度。

基于此，次注本文对机器学习进行简单的介绍，次注并对机器学习在材料领域的应用的研究进展进行详尽的论述，根据前人的观点，总结机器学习在材料设计领域的新的发展趋势，以期待更多的研究者在这个方向加以更多的关注。为了解决上述出现的问题，特高结合目前人工智能的发展潮流，特高科学家发现，我们可以将所有的实验数据，计算模拟数据，整合起来，无论好坏，便能形成具有一定数量的数据库。