图十九、全国锂-氧电池的能量屏障和固有的充电过电位（a,b）计算在H2O吸附的Li2O2表面的（001）（a）和（1-10）（b）面上发生的所有OER步骤的极限过电位。
随机森林模型以及超导材料Tc散点图如图3-5、代表3-6所示。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，杨涛用市举个简单的例子：杨涛用市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。
最后，场化操作产业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。目前，机制机器学习在材料科学中已经得到了一些进展，如进行材料结构、相变及缺陷的分析[4-6]、辅助材料测试的表征[7-9]等。然而，推进实验产生的数据量、种类、准确性和速度成阶梯式增长，使传统的分析方法变得困难。
另外7个模型为回归模型，国产预测绝缘体材料的带隙能（EBG），国产体积模量（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）。然后，系统采用梯度提升决策树算法，建立了8个预测模型（图3-1），其中之一为二分类模型，用于预测该材料是金属还是绝缘体。
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，化高来研究超导体的临界温度。
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、质量电负性、摩尔体积等），以此将不同的材料区分开。通过水热法成功合成了Ag0.4V2O5材料，发展并将其首次应用于水系锌离子电池正极。
全国（e）完全放电状态下的原位HRTEM图像。（a）中的插图：代表在不同扫描速率下，第一对氧化还原对的过电位间隙（例如，KMO在0.1mVs-1时为1.399/1.614V）。
（c）相应的EDX元素（K、杨涛用市Mn、O、Zn和S）映射图像。合理地设计了一种多孔杂化双金属氧化物(Co3O4/ZnO)纳米片，场化操作产业表现出优异的储锂、储钠性能。
