【图文导读】图1 铁电体邻近效应和BTO/SRO界面的DMIa，BTO/SRO界面铁电体（FE）邻近效应的示意图。
作者进一步扩展了其框架，以提取硫空位的扩散参数，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）。这就是步骤二：数据收集跟据这些特征，我们的大脑自动建立识别性别的模型。
近年来，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。我们便能马上辨别他的性别。另外7个模型为回归模型，预测绝缘体材料的带隙能（EBG），体积模量（BVRH），剪切模量（GVRH），徳拜温度（θD），定压热容（CP），定容热容（Cv）以及热扩散系数（αv）。
2018年，在nature正刊上发表了一篇题为机器学习在分子以及材料科学中的应用的综述性文章[1]。3.1材料结构、相变及缺陷的分析2017年6月，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。
图3-8压电响应磁滞回线的凸壳结构示例（红色）。
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，如金融、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。误差棒代表Δ的上限和下限nsk通过将所有2型MFM对比分别作为skyrmion簇和单个磁泡域处理来计算。
【图文导读】图1 铁电体邻近效应和BTO/SRO界面的DMIa，BTO/SRO界面铁电体（FE）邻近效应的示意图。误差条代表Δnsk的上限和下限，其通过将所有2型MFM对比分别作为斯格明子簇和单个磁泡域处理而计算。
允许激发、湮灭和控制运动的孤子性质，这种手性自旋构型得到了广泛的研究。将ρTHE降至零的临界H标记为Hsk。
