一、博海刘忠范北京大学博雅讲席教授，博海中国科学院院士，发展中国家科学院院士，中组部首批万人计划杰出人才，教育部首批长江学者特聘教授，首批国家杰出青年科学基金获得者。

由粉末中子衍射(图2a)得到的Li2In1/3Sc1/3Cl4结构与之前报道的晕尖晶石Li2Sc2/3Cl4结构相似，拾贝并且每个单胞中含有4个Li位，尽管占据的位置不同。该电池表现出非常好的循环性能，曾难走但与具有80wt%NCM85的ASSB相比，放电容量略低（180mAhg-1）（图4a）。

经开残留的裸表面促进了正极颗粒之间的电子传输。车走Li2In1/3Sc1/3Cl4优异电化学性能的根本原因在于其固有的高氧化稳定性和高延展性。本工作注意到，过最如果这种阻抗源于高压下Li2In1/3Sc1/3Cl4的分解，电池将在接下来的循环中显示出显着增加的过电位和容量衰减。

虽然认识到在商用电池中施加高压力是不切实际的，博海但所需的压力部分取决于CAM的性质。然而，拾贝先前报道的具有氯化物SE的ASSB的性能比本工作上面描述的要差，拾贝这表明其他因素，包括CAM:SE比率、正极复合材料制造和电池压力，可能发挥了重要作用。

曾难走电压曲线上收集光谱的点被指出。

因此，经开开发在氧化还原上表现出最小体积变化以及高离子/电子电导率的新CAM很重要。当我们进行PFM图谱分析时，车走仅仅能表征a1/a2/a1/a2与c/a/c/a之间的转变，车走而不能发现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。

根据Tc是高于还是低于10K，过最将材料分为两类，构建非参数随机森林分类模型预测超导体的类别。博海这一理念受到了广泛的关注。

因此，拾贝2018年1月，美国加州大学伯克利分校的J.C.Agar[7]等人设计了机器学习工作流程，帮助我们理解和设计铁电材料。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，曾难走如金融、曾难走互联网用户分析、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。