日入研究表明：粗晶高熵/中熵合金(HEAs/MEAs)的超塑性机制不再是常规的晶界旋转。
当我们进行PFM图谱分析时，百元仅仅能表征a1/a2/a1/a2与c/a/c/a之间的转变，百元而不能发现a1/a2/a1/a2内的反转，因此将上述降噪处理的数据、凸壳曲线以及k-均值聚类的方法结合在一起进行分析，发现了a1/a2/a1/a2内的结构的转变机制。就是针对于某一特定问题，起盒建立合适的数据库，起盒将计算机和统计学等学科结合在一起，建立数学模型并不断的进行评估修正，最后获得能够准确预测的模型。
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，日入举个简单的例子：日入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、百元相变及缺陷的分析2017年6月，百元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。然后，起盒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。
1前言材料的革新对技术进步和产业发展具有非常重要的作用，日入但是传统开发新材料的过程，都采用的试错法，实验步骤繁琐，研发周期长，浪费资源。近年来，百元这种利用机器学习预测新材料的方法越来越受到研究者的青睐。
随后开发了回归模型来预测铜基、起盒铁基和低温转变化合物等各种材料的Tc值，起盒同样取得了较好结果，利用AFLOW在线存储库中的材料数据，他们进一步提高了这些模型的准确性。
日入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。百元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。
深度学习算法包括循环神经网络（RNN）、起盒卷积神经网络（CNN）等[3]。（i）表示材料的能量吸收特性的悬臂共振品质因数图像在扫描透射电子显微镜（STEM）的数据分析中，日入由于数据的数量和维度的增大，日入使得手动非原位分析存在局限性。
图3-7 单个像素处压电响应的磁滞回线：百元原始数据（蓝色圆圈），传统拟合曲线（红线）和降噪处理后的曲线（黑线）。单晶多晶的电子衍射花样你都了解吗?本文由材料人专栏科技顾问溪蓓供稿，起盒材料人编辑部Alisa编辑。
