应用场景：固体氧化物燃料电池阴极材料设计

关键性能：将机器学习、理论计算与陶瓷固体氧化物开发相结合，开发了一个经过实验验证的阴极材料机器学习筛选技术

标签属性：固体氧化物燃料电池阴极材料设计 机器学习

应用场景：锂离子电池的寿命预测

关键性能：对存储时间和能量吞吐量的推断的预测精度分别提高了38%和13%

标签属性：锂离子电池 机器学习

应用场景：触觉传感器

关键性能：提高了材料识别的准确率，解决可识别材料类型的有限性，同时也提升了检测效率

标签属性：触觉传感器

应用场景：高效制备药物化合物

关键性能：通过合并对映选择性Brnsted碱有机催化和使用单一聚合结晶的热力学立体控制，可以有效地利用这种不稳定性

标签属性：结晶 催化 晶体包装

应用场景：设计降解酶

关键性能：在温和的温度下保持降解活性

标签属性：机器学习 塑料降解 蛋白质工程

应用场景：解析二维大分子材料中的复杂结构与性能关联特性

关键性能：获得了石墨烯等二维材料的构象数据

标签属性：机器学习

应用场景：锂电池

关键性能：实现复杂材料系统的基于文本挖掘的高效知识融合和推理与预测

标签属性：锂离子电池 机器学习

应用场景：机器学习

关键性能：开发了自动化高通量工作流，获得决定硬质涂层性质的关键参数，并发展理论预测模型

标签属性：机器学习 密度泛函理论

应用场景：深度学习

关键性能：从理论上证明了FastAdaBelief的收敛速度比其他自适应优化算法快，并且通过大量充分的实验验证了该算法的泛化能力比其他自适应优化算法强，这可以帮助完成很多场景下的深度模型训练任务，尤其是在样本数据短缺、硬件计算算力不足的情况下

标签属性：机器学习

应用场景：低维材料特别是一维材料的开发

关键性能：发现了一批新型的一维材料，并找到部分一维材料与二维材料结构图之间的子图同构关联

标签属性：人工智能 机器学习 图论

应用场景：电池材料

关键性能：具有低的离子迁移势垒（0.39V）与高的离子电导率（3.3×10-2S/cm），电化学窗口达到了4.38V

标签属性：电池 机器学习

应用场景：新材料研发

关键性能：筛选出了4种具有较高热稳定性的无铅HOIDPs太阳能电池材料

标签属性：机器学习 DFT

应用场景：新材料研发

关键性能：以在质子交换膜燃料电池(PEMFC)中应用的膜电极组件(MEA)能的优化为例，成功地开创了可数字化的劳动密集性研究领域如何从机器学习中受益的先例

标签属性：燃料电池

应用场景：超稳定纳米催化剂设计

关键性能：所揭示的Sabatier原理使载体的高通量筛选能够打破关系并提高所支撑NPs的烧结阻力

标签属性：催化 机器学习

应用场景：加速双核钯催化剂识别

关键性能：报告了一个仅使用五个实验数据点的无监督机器学习工作流程

标签属性：机器学习

应用场景：材料基因工程与材料信息学

关键性能：解决了系列材料信息学研究面临的关键技术难题

标签属性：人工智能

应用场景：合金设计

关键性能：能与任何提供外接调用的计算软件/代码进行耦合

标签属性：机器学习

应用场景：低维材料制备

关键性能：验证了反应源的比例（RTe/W）与WTe2几何结构之前的强关联性

标签属性：机器学习 低维材料