光伏过剩所有样品中KI/Au的摩尔比=20。

经过计算并验证发现，再现之忧在数据库中的26674种材料中，金属/绝缘体分类的准确度为86%，仅仅有2414种材料被误分类（图3-2）。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，输送举个简单的例子：输送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。

网负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。随机森林模型以及超导材料Tc散点图如图3-5、荷安3-6所示。为了解决这个问题，全难2019年2月，Maksov等人[9]建立了机器学习模型来自动分析图像。

题待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。图3-5 随机森林算法流程图图3-6超导材料的Tc散点图3.2辅助材料测试的表征近年来，光伏过剩由于原位探针的出现，光伏过剩使研究人员研究铁电畴结构在外部刺激下的翻转机制成为可能。

那么在保证模型质量的前提下，再现之忧建立一个精确的小数据分析模型是目前研究者应该关注的问题，再现之忧目前已有部分研究人员建立了小数据模型[10,11]，但精度以及普适性仍需进一步优化验证。

发现极性无机材料有更大的带隙能（图3-3），输送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）。此外，网负在环境温度和压力下，CH3OH是液态，易于储存和处理。

荷安（b）Cu纳米粒子呈现出可接近的Cu(111)面和Cu-ZnO边界。在CO2的可能还原产物中，全难CH3OH因其广泛的应用而备受青睐，其可作为甲醛（HCOH）和乙烯（C2H4）等商用化学品的前体。

图六、题待CO2还原电催化剂的性能（a）不同外加电位下，各种Cu2-xSe(y)催化剂的总电流密度。作者强调可持续电力是两种方法的关键条件，光伏过剩特别是前者。