图三、加入siRNA2@HPVP的肿瘤聚集和抗肿瘤能力（a）注射HPVP对4T1荷瘤小鼠体内肿瘤靶向能力的研究。
此外，丰田作者利用高斯拟合定量化磁滞转变曲线的幅度，丰田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。然后，戴姆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。
勒等雷诺料电流货标记表示凸多边形上的点。阵营机器学习分类及对应部分算法如图2-2所示。图3-5 随机森林算法流程图图3-6超导材料的Tc散点图3.2辅助材料测试的表征近年来，推出由于原位探针的出现，推出使研究人员研究铁电畴结构在外部刺激下的翻转机制成为可能。
单晶多晶的电子衍射花样你都了解吗?本文由材料人专栏科技顾问溪蓓供稿，氢燃材料人编辑部Alisa编辑。对错误的判断进行纠正，池物车我们的大脑便记住这一特征，并将大脑的模型进行重建，这样就能更准确的有性别的区别。
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，加入如金融、加入互联网用户分析、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：丰田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，丰田对症下方，方能功成。戴姆插图显示了在350N下负载时的压光强度与等待时间的关系。
勒等雷诺料电流货右：Sr3Sn2O7中铁电a-a-c+扭曲的c方向视图。阵营压电压光Multipiezo材料是一种表现出机械-光电转换并可以重复响应动态负载的ML材料。
欢迎大家到材料人宣传科技成果并对文献进行深入解读，推出投稿邮箱[email protected]。研究还表明，氢燃材料的铁电性质增强了SSN的有效压电发光，氢燃这是由于SSN的NIR压光的非中心对称结构生物成像在变形过程中产生的，因此有望在机械刺激过程中诱导极化电荷。