总之，看龙在1-UCFe（Te，Se）/STO中探测到一个周期为λ≈3.6αFe的非公度PDW态，它位于畴壁。

首先，头企构建带有属性标注的材料片段模型（PLMF）：将材料的晶体结构分解为相互关联的拓扑片段，表示结构的连通性。随机森林模型以及超导材料Tc散点图如图3-5、何氢3-6所示。

首先，看龙构建深度神经网络模型（图3-11），看龙识别在STEM数据中出现的破坏晶格周期性的缺陷，利用模型的泛化能力在其余的实验中找到各种类型的原子缺陷。2018年，头企在nature正刊上发表了一篇题为机器学习在分子以及材料科学中的应用的综述性文章[1]。作者进一步扩展了其框架，何氢以提取硫空位的扩散参数，何氢并分析了与由Mo掺杂剂和硫空位组成的不同配置的缺陷配合物之间切换相关的转换概率，从而深入了解点缺陷动力学和反应（图3-13）。

看龙机器学习分类及对应部分算法如图2-2所示。基于此，头企本文对机器学习进行简单的介绍，头企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。

单晶多晶的电子衍射花样你都了解吗?本文由材料人专栏科技顾问溪蓓供稿，何氢材料人编辑部Alisa编辑。

欢迎大家到材料人宣传科技成果并对文献进行深入解读，看龙投稿邮箱:[email protected].投稿以及内容合作可加编辑微信：cailiaorenVIP.。头企3.2微粒子制备及其形态调控图3 |基于紫外光控制的微粒子形态调整。

何氢(e) 阿基米德（截角）四面体微粒子的组装。看龙(c) 多组分微粒子用于细胞粘附。

头企图11 |微粒子在防伪中的应用。从微流控光固化四个基本要素——微流控器件、何氢前驱体、掩膜和紫外光出发，介绍了新型微粒子制备和后处理技术的最新进展。