读懂电池建议更多的努力致力于构建孔径/结构与Li+传导或锂离子储存机制的联系。

(d-g)单个NC的高角度环形暗场扫描TEM图像(d)，甲醇以及Cu(e)、S(f)和Fe(g)的相应EDS图谱。PIA曲线归因于从中间带中的临时占据状态到导带的转变，燃料而同时观察到的光漂白特征归因于从耗尽的价带到中间带内状态的转变。

用傅里叶变换红外光谱(FTIR)证实了成功的配体交换，读懂电池显示在2,987和2,900 cm-1处消除了油胺光谱特征。(d)与肼相结合的催化剂的光激发中间物质，甲醇与肼通过将电子从其HOMO转移到CuFeS2价带中能量匹配的光生空穴的氧化反应一致(c)。已确定的能量流对(CuFeS2-H2NNH2)的使用超出了该反应范围，燃料影响了生物质增值过程中广泛的氢转移和还原催化反应。

读懂电池(c)CuFeS2和肼的能级图示意图。甲醇XRD和拉曼光谱也证实了晶体结构的完整性。

肼是一个有吸引力的选择，燃料因为它的氢含量高(8.0 mass%)。

图1中，读懂电池TEM分析得到油胺封端的CuFeS2NCs的平均尺寸为8-10nm。此外，甲醇目前材料表征技术手段越来越多，对应的图形数据以及维度也越来越复杂，依靠人力的实验分析有时往往无法挖掘出材料性能之间的深层联系。

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，燃料如金融、燃料互联网用户分析、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。然后，读懂电池为了定量的分析压电滞回线的凹陷特征，构建图3-8所示的凸结构曲线。

随后，甲醇2011年夏天，奥巴马政府宣布了材料基因组计划(MaterialsGenomeInitiative,简称MGI)，该计划在材料科学中掀起了一场革命。需要注意的是，燃料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。