结果在2016年的一项调查中发现，工业研究结果显示，有21%的签名科学家的身份无法识别，19%的科学家自签名以后再没有在任何期刊上发表过任何论文

再者，化化深合共随着计算机的发展，化化深合共许多诸如第一性原理计算、相场模拟、有限元分析等手段随之出现，用以进行材料的结构以及性能方面的计算，但是往往计算量大，费用大。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、信息无监督学习、半监督学习以及强化学习。

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，度融来研究超导体的临界温度。随后，同促2011年夏天，奥巴马政府宣布了材料基因组计划(MaterialsGenomeInitiative,简称MGI)，该计划在材料科学中掀起了一场革命。在数据库中，进产级全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。

此外，业升Butler等人在综述[1]中提到，量子计算在检测和纠正数据时可能会产生错误，那么量子机器学习便开拓了机器学习在解决量子问题上的应用领域。首先，面提根据SuperCon数据库中信息，对超过12,000种已知超导体和候选材料的超导转变温度（Tc）进行建模。

因此，工业2018年1月，美国加州大学伯克利分校的J.C.Agar[7]等人设计了机器学习工作流程，帮助我们理解和设计铁电材料。

发现极性无机材料有更大的带隙能（图3-3），化化深合共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）。图5. a，信息在0.15Ag-1的电流密度下， FeSe2/rGO//NVP/C的全电池的循环性能。

a，度融不同扫描速率下的CV曲线。同促a,反应前TEM和b,SAED的图像。

e,TEM和f,SAED图像，进产级全电压为-2.5V。当然，业升理想的充电电池应该具有比容量高、循环稳定性好、充电时间短、初始库伦效率高、工作温度范围宽、成本低等优点。