电站多(2)先进电子和光子材料与器件。

曾任法国、投资欧盟和中国的多项研究项目的负责人，投资并与空客、EADS、宝钢、安赛乐米塔尔、AREVA、ALSTOM、EDF、ABB、雷诺、标致等世界五百强公司有合作研究关系或为它们进行科学咨询工作。穹顶机械超材料的循环加载与潜在应用团队负责人吕坚教授是法国国家技术科学院（NATF）院士，观望香港工程科学院院士，观望香港城市大学机械工程系讲座教授，国家贵金属材料工程研究中心香港分社理事，先进结构材料中心主任。

于是有越薄延展性越好的尺寸效应，情绪确定薄膜厚度通常小于100nm甚至10nm，以实现尺寸诱导的脆性到延性转变，却也导致强度和刚度的提升不明显。研究团队超纳双相材料制造和微纳尺度3D打印支撑相互成全，浓项才实现了这一类超轻力学结构。但是，目投强度和延展性的获得通常是相互排斥的。

因素并且首次把超纳运用于3D打印结构。创新之处对于这种新型超材料，电站多研究团队认为创新点在于新结构。

通过将特征尺寸减小到纳米级，投资利用集成层级结构和尺寸效应，双光子光刻技术制造的金属/陶瓷微/纳复合结构完整性大大增强，具有超高的比强度。

对于结构材料，观望强度和延展性往往是鱼和熊掌不可兼得。然后，情绪确定采用梯度提升决策树算法，建立了8个预测模型（图3-1），其中之一为二分类模型，用于预测该材料是金属还是绝缘体。

浓项利用机器学习解决问题的过程为定义问题-数据收集-建立模型-评估-结果分析。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，目投如金融、目投互联网用户分析、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。

因素图2-2 机器学习分类及算法3机器学习算法在材料设计中的应用使用计算模型和机器学习进行材料预测与设计这一理念最早是由加州大学伯克利分校的材料科学家GerbrandCeder教授提出。此外，电站多作者利用高斯拟合定量化磁滞转变曲线的幅度，电站多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。