c，贵州1T′-MoS2纳米片的高度剖面和测得的厚度（插图）

然而，力争实验产生的数据量、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。随后，全省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。

需要注意的是，源电机器学习的范围非常庞大，有些算法很难明确归类到某一类。首先，池装构建深度神经网络模型（图3-11），池装识别在STEM数据中出现的破坏晶格周期性的缺陷，利用模型的泛化能力在其余的实验中找到各种类型的原子缺陷。然后，机规使用高斯混合模型对检测到的缺陷结构进行无监督分类（图3-12），并显示分类结果可以与特定的物理结构相关联。

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、模突电负性、摩尔体积等），以此将不同的材料区分开。2机器学习简介所谓的机器学习就是赋予计算机人类的获得知识或技能的能力，贵州然后利用这些知识和技能解决我们所需要解决的问题的过程。

实验过程中，力争研究人员往往达不到自己的实验预期，而产生了很多不理想的数据。

然后，全省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。3.制备的非晶MOF层可以有效解决锌阳极的腐蚀、源电析氢反应、锌枝晶的生长等关键挑战。

担任中国化工学会储能工程专委会副秘书长、池装《过程工程学报》及GreenEnergyEnvironment期刊编委。面对这些障碍，机规本文提出了一种新型的连续非晶MOF层作为金属阳极的保护层，机规以调节金属阳极的成核、生长和可逆性，并通过使用锌阳极证明了其有效性。

授权国家发明专利20余项，模突申请PCT国际专利1项。贵州现为西南大学材料与能源学院院长。