今日话题：反诈你觉得二哈的表情是否丰富，你见过它做出哪种表情？。
中心（e）分层域结构的横截面的示意图。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，剧场如金融、剧场互联网用户分析、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。
参考文献[1]K.T.Butler,D.W.Davies,H.Cartwright,O.Isayev,A.Walsh,Nature,559(2018)547.[2]D.-H.Kim,T.J.Kim,X.Wang,M.Kim,Y.-J.Quan,J.W.Oh,S.-H.Min,H.Kim,B.Bhandari,I.Yang,InternationalJournalofPrecisionEngineeringandManufacturing-GreenTechnology,5(2018)555-568.[3]周子扬,电子世界,(2017)72-73.[4]O.Isayev,C.Oses,C.Toher,E.Gossett,S.Curtarolo,A.Tropsha,Naturecommunications,8(2017)15679.[5]V.Stanev,C.Oses,A.G.Kusne,E.Rodriguez,J.Paglione,S.Curtarolo,I.Takeuchi,npjComputationalMaterials,4(2018)29.[6]A.Rovinelli,M.D.Sangid,H.Proudhon,W.Ludwig,npjComputationalMaterials,4(2018)35.[7]J.C.Agar,Y.Cao,B.Naul,S.Pandya,S.vanderWalt,A.I.Luo,J.T.Maher,N.Balke,S.Jesse,S.V.Kalinin,AdvancedMaterials,30(2018)1800701.[8]R.K.Vasudevan,N.Laanait,E.M.Ferragut,K.Wang,D.B.Geohegan,K.Xiao,M.Ziatdinov,S.Jesse,O.Dyck,S.V.Kalinin,npjComputationalMaterials,4(2018)30.[9]A.Maksov,O.Dyck,K.Wang,K.Xiao,D.B.Geohegan,B.G.Sumpter,R.K.Vasudevan,S.Jesse,S.V.Kalinin,M.Ziatdinov,npjComputationalMaterials,5(2019)12.[10]Y.Zhang,C.Ling,NpjComputationalMaterials,4(2018)25.[11]H.Trivedi,V.V.Shvartsman,M.S.Medeiros,R.C.Pullar,D.C.Lupascu,npjComputationalMaterials,4(2018)28.往期回顾：不比认识这些带你轻松上王者——电催化产氧（OER）测试手段解析新能源材料领域常见的碳包覆法——应用及特点单晶培养秘诀——知己知彼，不比对症下方，方能功成。首先，那些利用主成分分析法（PCA）对铁电磁滞回线进行降噪处理，那些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。为了解决这个问题，流量2019年2月，Maksov等人[9]建立了机器学习模型来自动分析图像。
偶好机器学习分类及对应部分算法如图2-2所示。深度学习算法包括循环神经网络（RNN）、反诈卷积神经网络（CNN）等[3]。
近年来，中心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。
文章详细介绍了机器学习在指导化学合成、剧场辅助多维材料表征、剧场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。【发展里程碑】1.开创性实验制备原子层厚度的碳膜--石墨烯现身（Electricfieldeffectinatomicallythincarbonfilms，不比石墨烯实验制备的肇始之作，不比定义二维材料的文章，目前被引30000多次）Novoselov以及A.Geim等人利用胶带反复剥离得到石墨烯的事迹现在已经成为新世纪的牛顿与苹果式故事。
自从开创性地发现石墨烯以来，那些关于二维材料的研究呈现爆炸式的增长，本文希望通过汇总高被引研究文章来简要论述近十几年来二维材料的发展。然而，流量随着越来越多的二维材料被成功制备和研究，寻找一种较为普适的制备方法就成为一项亟待解决的问题。
偶好2010年发表在《PHYSICALREVIEWLETTERS》上的一篇文章[9]系统的研究了超薄二硫化钼的电子结构和光学性能与材料层数之间的关系。随后，反诈以石墨烯为代表的一系列新型薄层材料开始涌现，反诈人们也开始将这类具有片状结构，横向尺寸超过100nm而厚度在一个或者几个原子的材料统称为二维材料或者超薄二维材料[1]。
