作者进一步扩展了其框架，博海以提取硫空位的扩散参数，博海并分析了与由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）。

对错误的判断进行纠正，拾贝说我们的大脑便记住这一特征，并将大脑的模型进行重建，这样就能更准确的有性别的区别。然后，同学为了定量的分析压电滞回线的凹陷特征，构建图3-8所示的凸结构曲线。

首先，相当构建深度神经网络模型（图3-11），相当识别在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。目前，博海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。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，拾贝说举个简单的例子：拾贝说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。

根据Tc是高于还是低于10K，同学将材料分为两类，构建非参数随机森林分类模型预测超导体的类别。以上，相当便是本人对机器学习对材料领域的发展作用的理解，如果不足，请指正。

然而，博海实验产生的数据量、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。

拾贝说图3-8压电响应磁滞回线的凸壳结构示例（红色）。对错误的判断进行纠正，同学我们的大脑便记住这一特征，并将大脑的模型进行重建，这样就能更准确的有性别的区别。

因此，相当2018年1月，美国加州大学伯克利分校的J.C.Agar[7]等人设计了机器学习工作流程，帮助我们理解和设计铁电材料。博海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。

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，拾贝说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。我在材料人等你哟，同学期待您的加入。