作者由此提出了一种可能的凝胶化机理，颗引即HPMC分子与RSF分子之间的氢键和疏水相互作用可能对RSF/HMPC凝胶化行为产生协同作用。

文章详细介绍了机器学习在指导化学合成、山楂辅助多维材料表征、山楂获取新材料设计方法等方面的重要作用，并表示新一代的计算机科学，会对材料科学产生变革性的作用。然后，头脑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。

随机森林模型以及超导材料Tc散点图如图3-5、风暴3-6所示。颗引（e）分层域结构的横截面的示意图。近年来，山楂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。

然而，头脑实验产生的数据量、种类、准确性和速度成阶梯式增长，使传统的分析方法变得困难。此外，风暴作者利用高斯拟合定量化磁滞转变曲线的幅度，风暴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。

首先，颗引利用主成分分析法（PCA）对铁电磁滞回线进行降噪处理，颗引降噪后的磁滞曲线由（图3-7）黑线所示，能够很好的拟合磁滞回线所有结构特征，解决了传统15参数函数拟合精度不够的问题（图3-7）红色。

需要注意的是，山楂机器学习的范围非常庞大，有些算法很难明确归类到某一类。而全无机钙钛矿薄膜的晶体尺寸往往较大，头脑激子结合能小，荧光微弱。

近日，风暴苏州大学孙宝全教授和宋涛副教授（共同通讯作者）合作，通过真空热沉积法制备全无机钙钛矿薄膜。颗引 （d）通过加热电路控制在PET基底上的动态化CsPbBr3/CsPb2Br5薄膜。

山楂（d）CsPbBr3/CsPb2Br5的300次可逆循环中PL强度和发光峰峰位。头脑目前担任PhysicaStatusSolidiA(WILEY-VCH)编委和FrontiersOpticsandPhotonics编委。