陕北送出（c）平面NiFe@MoS2和层间限域NiFe@MoS2的16小时计时电位测试; （d）层间限域NiFe@MoS2的在高电流密度（150 mA/cm2）下的100小时j-t测试。

作者进一步扩展了其框架，换流以提取硫空位的扩散参数，换流并分析了与由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）。目前，站7组塔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。

最后，千伏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。在数据库中，配套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。工程（e）分层域结构的横截面的示意图。

进入阶段阴影区域表示用于创建凹度曲线的区域图3-9分类模型精确度图图3-10（a~d）由高斯拟合铁电体计算的凹面积图。为了解决这个问题，陕北送出2019年2月，Maksov等人[9]建立了机器学习模型来自动分析图像。

因此，换流复杂的ML算法的应用大大加速对候选高温超导体的搜索。

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，站7组塔如金融、站7组塔互联网用户分析、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。本工作构建的热流弛豫谱表现出与力学弛豫谱的一致性，千伏表明玻璃态物质的谱峰来自弛豫子的非均匀叠加。

比如，配套在β弛豫阶段超声可以加快晶化形核过程，而α弛豫则与晶体的扩散生长密切相关。(B)Au基金属玻璃先在Ta=403K退火0.5 s，工程然后降低至Ta=363K退火0.1s的热流弛豫峰。

进入阶段(A)Au基金属玻璃在退火温度Ta=273-393K下退火5 s的热流弛豫峰（实点）与Debye模型拟合（实线）。陕北送出(B)A图中退火条件下的弛豫激活能。