【通讯作者简介】姜锋（FengJiang）,加拿大不列颠哥伦比亚大学助理教授，有脑加拿大生物质可再生功能材料首席科学家（TierIICanadaResearchChairinSustainableFunctionalBiomaterials）

最后，千百将分类和回归模型组合成一个集成管道，应用其搜索了整个无机晶体结构数据库并预测出30多种新的潜在超导体。Ceder教授指出，转招鲜可以借鉴遗传科学的方法，转招鲜就像DNA碱基对编码蛋白质等各种生物材料一样，用材料基因组编码各种化合物，而实现这一编码的工具便是计算机的数据挖掘及机器学习算法等。

为PLMF图中的顶点赋予各个原子独有的物理和化学性能（如原子在元素周期表中的位置、有脑电负性、摩尔体积等），以此将不同的材料区分开。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，千百如金融、千百互联网用户分析、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。2机器学习简介所谓的机器学习就是赋予计算机人类的获得知识或技能的能力，转招鲜然后利用这些知识和技能解决我们所需要解决的问题的过程。

近年来，有脑这种利用机器学习预测新材料的方法越来越受到研究者的青睐。需要注意的是，千百机器学习的范围非常庞大，有些算法很难明确归类到某一类。

转招鲜这一理念受到了广泛的关注。

实验过程中，有脑研究人员往往达不到自己的实验预期，而产生了很多不理想的数据。获日中科技交流协会有山兼孝纪念研究奖(1992)、千百香港求是科技基金会杰出青年学者奖(1997)、千百中国分析测试协会科学技术奖一等奖(2005)、教育部高等学校科学技术奖自然科学一等奖(2007)、国家自然科学二等奖(2008, 2017)、中国化学会-阿克苏诺贝尔化学奖(2012)、宝钢优秀教师特等奖(2012)、日本化学会胶体与界面化学年会Lectureship Award(2016)、北京大学方正教师特别奖(2016)、北京市优秀教师(2017)、ACS Nano LectureshipAward(2018)等。

对于纯PtD-y供体和掺杂的受主发射，转招鲜最高的PL各向异性比分别达到0.87和0.82，转招鲜表明供体的激发各向异性能可以有效地转移到受体上，并具有显著的放大作用。主要从事纳米碳材料、有脑二维原子晶体材料和纳米化学研究，有脑在石墨烯、碳纳米管的化学气相沉积生长方法及其应用领域做出了一系列开拓性和引领性工作，是国际上具有代表性的纳米碳材料研究团队之一。

千百2012年当选发展中国家科学院院士。本内容为作者独立观点，转招鲜不代表材料人网立场。