国网管理所有样品中KI/Au的摩尔比=20。

经过计算并验证发现，浙江综合智慧综合在数据库中的26674种材料中，金属/绝缘体分类的准确度为86%，仅仅有2414种材料被误分类（图3-2）。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，电力举个简单的例子：电力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。

创新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。随机森林模型以及超导材料Tc散点图如图3-5、拓展3-6所示。为了解决这个问题，源能源2019年2月，Maksov等人[9]建立了机器学习模型来自动分析图像。

服务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。图3-5 随机森林算法流程图图3-6超导材料的Tc散点图3.2辅助材料测试的表征近年来，业务由于原位探针的出现，业务使研究人员研究铁电畴结构在外部刺激下的翻转机制成为可能。

那么在保证模型质量的前提下，实现建立一个精确的小数据分析模型是目前研究者应该关注的问题，实现目前已有部分研究人员建立了小数据模型[10,11]，但精度以及普适性仍需进一步优化验证。

发现极性无机材料有更大的带隙能（图3-3），国网管理所预测的热机械性能与实验和计算的数据基本吻合（图3-4）。此外，浙江综合智慧综合在环境温度和压力下，CH3OH是液态，易于储存和处理。

电力（b）Cu纳米粒子呈现出可接近的Cu(111)面和Cu-ZnO边界。在CO2的可能还原产物中，创新CH3OH因其广泛的应用而备受青睐，其可作为甲醛（HCOH）和乙烯（C2H4）等商用化学品的前体。

图六、拓展CO2还原电催化剂的性能（a）不同外加电位下，各种Cu2-xSe(y)催化剂的总电流密度。作者强调可持续电力是两种方法的关键条件，源能源特别是前者。