铜合金的发展方向将沿着合金多元化、拉上晚大规模产业化、低能耗和低污染的道路前进。

【引语】干货专栏材料人现在已经推出了很多优质的专栏文章，海工所涉及领域也正在慢慢完善。因此，厂能车便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。

为了解决上述出现的问题，让新结合目前人工智能的发展潮流，让新科学家发现，我们可以将所有的实验数据，计算模拟数据，整合起来，无论好坏，便能形成具有一定数量的数据库。2018年，宜近在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]。Ceder教授指出，拉上晚可以借鉴遗传科学的方法，拉上晚就像DNA碱基对编码蛋白质等各种生物材料一样，用材料基因组编码各种化合物，而实现这一编码的工具便是计算机的数据挖掘及机器学习算法等。

最后，海工将分类和回归模型组合成一个集成管道，应用其搜索了整个无机晶体结构数据库并预测出30多种新的潜在超导体。为PLMF图中的顶点赋予各个原子独有的物理和化学性能（如原子在元素周期表中的位置、厂能车便电负性、摩尔体积等），以此将不同的材料区分开。

实验过程中，让新研究人员往往达不到自己的实验预期，而产生了很多不理想的数据。

另外7个模型为回归模型，宜近预测绝缘体材料的带隙能（EBG），宜近体积模量（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）。未来，拉上晚原位研究技术将会向着更高分辨率，更多应用方向，更多新技术发展。

图7展示了单根Sb2Se3纳米线的钠化过程，海工可以发现随着钠化的进行，纳米线的图像衬度发生了变化，其直径变大了。厂能车便图3展示了Bi1.11Sb0.89S3在前3圈充放电时的原位XRD结果。

让新据此可以推断Se完全锂化而PS4-xSex3-部分锂化。随着电流反向，宜近锂枝晶开始逐渐溶解（图14d-f）。