2018年10月，原料用能源消大熊猫国家公园管理局在成都正式挂牌成立。

发现极性无机材料有更大的带隙能（图3-3），不纳所预测的热机械性能与实验和计算的数据基本吻合（图3-4）。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、费总电负性、摩尔体积等），以此将不同的材料区分开。

量控量利用机器学习解决问题的过程为定义问题-数据收集-建立模型-评估-结果分析。首先，制中构建带有属性标注的材料片段模型（PLMF）：将材料的晶体结构分解为相互关联的拓扑片段，表示结构的连通性。以上，何考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。

为了解决上述出现的问题，原料用能源消结合目前人工智能的发展潮流，原料用能源消科学家发现，我们可以将所有的实验数据，计算模拟数据，整合起来，无论好坏，便能形成具有一定数量的数据库。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，不纳举个简单的例子：不纳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。

3.1材料结构、费总相变及缺陷的分析2017年6月，费总Isayev[4]等人将AFLOW库和结构-性能描述符联系起来建立数据库，利用机器学习算法对成千上万种无机材料进行预测。

量控量标记表示凸多边形上的点。制中（e）Na4/7□1/7Mn6/7O2的结构和电荷补偿机理。

何考（a）Li1.2Ni0.2Mn0.6O2在2.0-4.8V电压内的充/放电曲线的演变。图九、原料用能源消LMROs晶格参数的演变这一部分对富锂层状氧化物充放电过程中的晶格参数演变进行了总结和讨论。

不纳（i）基于蒙特卡洛模拟的LiA0.5B0.5O2结构。费总（c-d）O2-LLNMO在4.8V充电状态和2.0V放电状态下的HAADF-STEM图像;（e）比较循环对O3-型和O2-型LLNMO电极的放电dQ/dV曲线。