此外,百货作者利用高斯拟合定量化磁滞转变曲线的幅度,百货结合机器学习确定了峰/谷c/a/c/a - a1/a2/a1/a2域边界上的铁弹性增加的特征(图3-10),而这一特征是人为无法发掘的。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、全部无监督学习、半监督学习以及强化学习。玩意利用机器学习解决问题的过程为定义问题-数据收集-建立模型-评估-结果分析。
首先,百货根据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。全部我们便能马上辨别他的性别。
根据Tc是高于还是低于10K,玩意将材料分为两类,构建非参数随机森林分类模型预测超导体的类别。
百货(e)分层域结构的横截面的示意图。作者进一步探索了这类新材料在光电化学能量转换、全部电化学烷烃转换和电化学储能等方面的功能应用。
为了进一步调整孔隙率,玩意设计并生长了母相,包括CePO4、K3Ce(PO4)2和CeMgB5O10单晶,得到了孔隙率为47%、74%和80%的多孔CeO2单晶。百货稳定性和活性相结合的多孔单晶在催化领域具有潜在的应用前景。
为突出这些材料的结构特征,全部我们将其简称为多孔单晶,或将材料其视为多孔单晶状态,这是一种独特的结构特征。多孔单晶的宏观尺寸主要由单晶母相主导,玩意这是由于固-固相变中体积变化可以忽略不计。