目前，国家管工陈忠伟课题组在对锂硫电池的研究中取得了突破性的进展，国家管工研究人员使用原位XRD技术对小分子蒽醌化合物作为锂硫电池正极的充放电过程进行表征并解释了其反应机理（NATURECOMMUN.,2018,9,705），如图二所示。

局组这一理念受到了广泛的关注。并利用交叉验证的方法，织开展作解释了分类模型的准确性，精确度为92±0.01%（图3-9）。

虽然这些实验过程给我们提供了试错经验，项重项监但是失败的实验数据摆放在那里彷佛变得并无用处。需要注意的是，点专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。参考文献[1]K.T.Butler,D.W.Davies,H.Cartwright,O.Isayev,A.Walsh,Nature,559(2018)547.[2]D.-H.Kim,T.J.Kim,X.Wang,M.Kim,Y.-J.Quan,J.W.Oh,S.-H.Min,H.Kim,B.Bhandari,I.Yang,InternationalJournalofPrecisionEngineeringandManufacturing-GreenTechnology,5(2018)555-568.[3]周子扬,电子世界,(2017)72-73.[4]O.Isayev,C.Oses,C.Toher,E.Gossett,S.Curtarolo,A.Tropsha,Naturecommunications,8(2017)15679.[5]V.Stanev,C.Oses,A.G.Kusne,E.Rodriguez,J.Paglione,S.Curtarolo,I.Takeuchi,npjComputationalMaterials,4(2018)29.[6]A.Rovinelli,M.D.Sangid,H.Proudhon,W.Ludwig,npjComputationalMaterials,4(2018)35.[7]J.C.Agar,Y.Cao,B.Naul,S.Pandya,S.vanderWalt,A.I.Luo,J.T.Maher,N.Balke,S.Jesse,S.V.Kalinin,AdvancedMaterials,30(2018)1800701.[8]R.K.Vasudevan,N.Laanait,E.M.Ferragut,K.Wang,D.B.Geohegan,K.Xiao,M.Ziatdinov,S.Jesse,O.Dyck,S.V.Kalinin,npjComputationalMaterials,4(2018)30.[9]A.Maksov,O.Dyck,K.Wang,K.Xiao,D.B.Geohegan,B.G.Sumpter,R.K.Vasudevan,S.Jesse,S.V.Kalinin,M.Ziatdinov,npjComputationalMaterials,5(2019)12.[10]Y.Zhang,C.Ling,NpjComputationalMaterials,4(2018)25.[11]H.Trivedi,V.V.Shvartsman,M.S.Medeiros,R.C.Pullar,D.C.Lupascu,npjComputationalMaterials,4(2018)28.往期回顾：国家管工认识这些带你轻松上王者——电催化产氧（OER）测试手段解析新能源材料领域常见的碳包覆法——应用及特点单晶培养秘诀——知己知彼，国家管工对症下方，方能功成。

深度学习是机器学习中神经网络算法的扩展，局组它是机器学习的第二个阶段--深层学习，深度学习中的多层感知机可以弥补浅层学习的不足。织开展作机器学习分类及对应部分算法如图2-2所示。

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、项重项监电负性、摩尔体积等），以此将不同的材料区分开。

本文对机器学习和深度学习的算法不做过多介绍，点专详细内容课参照机器学习相关书籍进行了解。因此，国家管工短波红外光谱对单个缺陷和耦合缺陷的分析有更进一步的借鉴意义。

局组首先要解决的第一个问题是如何计算化学缺陷。织开展作这种相关性为区分和测量非常接近的独立缺陷和耦合缺陷提供更多的可能性。

例如，项重项监当三个缺陷独立闪烁时，它们将共同产生四种PL强度状态和三种步长(图1c,d)。点专缺陷的占地面积小和固体基质的晶格拓展使得寻找缺陷的任务宛如大海捞针。