本内容为作者独立观点，次性不代表材料人网立场。
2机器学习简介所谓的机器学习就是赋予计算机人类的获得知识或技能的能力，机器然后利用这些知识和技能解决我们所需要解决的问题的过程。当我们进行PFM图谱分析时，次性仅仅能表征a1/a2/a1/a2与c/a/c/a之间的转变，次性而不能发现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。
利用k-均值聚类算法，机器根据凹陷中心与红线的距离，对磁滞回线的转变过程进行分类。当然，次性机器学习的学习过程并非如此简单。最后，机器将分类和回归模型组合成一个集成管道，应用其搜索了整个无机晶体结构数据库并预测出30多种新的潜在超导体。
参考文献[1]K.T.Butler,D.W.Davies,H.Cartwright,O.Isayev,A.Walsh,Nature,559(2018)547.[2]D.-H.Kim,T.J.Kim,X.Wang,M.Kim,Y.-J.Quan,J.W.Oh,S.-H.Min,H.Kim,B.Bhandari,I.Yang,InternationalJournalofPrecisionEngineeringandManufacturing-GreenTechnology,5(2018)555-568.[3]周子扬,电子世界,(2017)72-73.[4]O.Isayev,C.Oses,C.Toher,E.Gossett,S.Curtarolo,A.Tropsha,Naturecommunications,8(2017)15679.[5]V.Stanev,C.Oses,A.G.Kusne,E.Rodriguez,J.Paglione,S.Curtarolo,I.Takeuchi,npjComputationalMaterials,4(2018)29.[6]A.Rovinelli,M.D.Sangid,H.Proudhon,W.Ludwig,npjComputationalMaterials,4(2018)35.[7]J.C.Agar,Y.Cao,B.Naul,S.Pandya,S.vanderWalt,A.I.Luo,J.T.Maher,N.Balke,S.Jesse,S.V.Kalinin,AdvancedMaterials,30(2018)1800701.[8]R.K.Vasudevan,N.Laanait,E.M.Ferragut,K.Wang,D.B.Geohegan,K.Xiao,M.Ziatdinov,S.Jesse,O.Dyck,S.V.Kalinin,npjComputationalMaterials,4(2018)30.[9]A.Maksov,O.Dyck,K.Wang,K.Xiao,D.B.Geohegan,B.G.Sumpter,R.K.Vasudevan,S.Jesse,S.V.Kalinin,M.Ziatdinov,npjComputationalMaterials,5(2019)12.[10]Y.Zhang,C.Ling,NpjComputationalMaterials,4(2018)25.[11]H.Trivedi,V.V.Shvartsman,M.S.Medeiros,R.C.Pullar,D.C.Lupascu,npjComputationalMaterials,4(2018)28.往期回顾：次性认识这些带你轻松上王者——电催化产氧（OER）测试手段解析新能源材料领域常见的碳包覆法——应用及特点单晶培养秘诀——知己知彼，次性对症下方，方能功成。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，机器举个简单的例子：机器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
作者进一步扩展了其框架，次性以提取硫空位的扩散参数，次性并分析了与由Mo掺杂剂和硫空位组成的不同配置的缺陷配合物之间切换相关的转换概率，从而深入了解点缺陷动力学和反应（图3-13）。
机器机器学习分类及对应部分算法如图2-2所示。次性图六不同锰含量对NaV8O20电化学性能的影响（a）制备的Mn1-NVO,Mn2-NVO,Mn3-NVO和NVO的XRD对比图。
【成果简介】基于此，机器山东大学晶体材料国家重点实验室王书华教授（通讯作者）、机器刘宏教授（通讯作者）、联合中国科学院化学研究所郭玉国研究员（通讯作者）提出了一种钠离子和锰离子共同预嵌入的(Na,Mn)V8O20·nH2O正极材料，用于水系锌离子电池。次性图四充放电过程中形貌演变研究（a）首圈完全放电态Mn1-NVO的TEM及元素分布图。
机器（b）不同锰含量的NVO正极材料在4Ag-1下的循环性能对比。次性（i）锌离子在Mn1-NVO中的可能扩散路径。
