当超过某个浓度，济南P42/nmc相（反铁电相）占主导，见图2（b）。

近年来，开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。因此，隧道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。

南洞这样当我们遇见一个陌生人时。图3-11识别破坏晶格周期性的缺陷的深度卷积神经网络图3-12由深度卷积神经网络确定的无监督的缺陷分类图3-13不同缺陷态之间转移概率的分析4机器学习在材料领域的研究展望与其他领域，展露如金融、展露互联网用户分析、天气预测等相比，材料科学利用机器学习算法进行预测的缺点就是材料中的数据量相对较少。此外，新颜随着机器学习的不断发展，深度学习的概念也时常出现在我们身边。

济南（e）分层域结构的横截面的示意图。此外，开元作者利用高斯拟合定量化磁滞转变曲线的幅度，开元结合机器学习确定了峰/谷c/a/c/a - a1/a2/a1/a2域边界上的铁弹性增加的特征（图3-10），而这一特征是人为无法发掘的。

虽然这些实验过程给我们提供了试错经验，隧道但是失败的实验数据摆放在那里彷佛变得并无用处。

然后，南洞使用高斯混合模型对检测到的缺陷结构进行无监督分类（图3-12），并显示分类结果可以与特定的物理结构相关联。值得注意的是，展露尽管两个分子的S0àS1跃迁都是禁阻的，展露但其吸收与发射曲线均呈现出较小的Stokes位移与较大的重叠面积，表明可能存在特殊的反Kasha发射过程。

DBH的电化学性质研究最后，新颜作者以DBH分子为例，研究了在并苯骨架上引入缺电子的硼原子对其电化学性质的影响（图5）。基态TD-DFT计算结果表明两个分子的S0àS1都是跃迁禁阻的，济南DBH的主要吸收跃迁为S0àS2跃迁，DBN为S0àS2、S0àS3和S0àS4多个电子态间的跃迁（图4c-d）。

进一步的内转换速率与辐射衰减速率计算结果揭示了这一反Kasha发光现象来源于典型的热活化过程，开元这也通过DBH的变温荧光光谱得到了证实。这种高效的反Kasha发光机制使其PLQYs达到了98±2%，隧道高于所有高阶并苯类化合物。