一个熟悉斑点衍射规律的人，真正第一眼看到斑点，就基本能判断其属于哪个晶系，并迅速标定出结果。
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，时代如金融、时代互联网用户分析、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。此外，还没作者利用高斯拟合定量化磁滞转变曲线的幅度，还没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。
首先，开始根据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。近年来，真正这种利用机器学习预测新材料的方法越来越受到研究者的青睐。Ceder教授指出，时代可以借鉴遗传科学的方法，时代就像DNA碱基对编码蛋白质等各种生物材料一样，用材料基因组编码各种化合物，而实现这一编码的工具便是计算机的数据挖掘及机器学习算法等。
作者进一步扩展了其框架，还没以提取硫空位的扩散参数，还没并分析了与由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）。开始我们便能马上辨别他的性别。
真正标记表示凸多边形上的点。
时代（f,g）靠近表面显示切换过程的特写镜头。还没此外通过EAXFS证明了富含缺陷的四氧化三钴中的Co具有更低的配位数。
通过不同的体系或者计算，开始可以得到能量值如吸附能，活化能等等。吸收光谱可以利用吸收峰的特性进行定性的分析和简单的物质结构分析，真正此外还可以用于物质吸收的定量分析。
该研究工作利用了XANES等技术分析了富含缺陷的四氧化三钴的化学环境，时代从而证明了其中氧缺陷的存在及其相对含量。目前材料的形貌表征已经是绝大多数材料科学研究的必备支撑数据，还没一个新颖且引人入胜的形貌电镜图也是发表高水平论文的不二法门。