这次名次上升最多，发展最耀眼的有两所，分别是武汉理工大学、北京航空航天大学。

实验过程中，回顾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。随机森林模型以及超导材料Tc散点图如图3-5、炭篇3-6所示。

发展这一理念受到了广泛的关注。为了解决这个问题，回顾2019年2月，Maksov等人[9]建立了机器学习模型来自动分析图像。炭篇图3-8压电响应磁滞回线的凸壳结构示例（红色）。

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，发展如金融、发展互联网用户分析、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。基于此，回顾本文对机器学习进行简单的介绍，回顾并对机器学习在材料领域的应用的研究进展进行详尽的论述，根据前人的观点，总结机器学习在材料设计领域的新的发展趋势，以期待更多的研究者在这个方向加以更多的关注。

那么在保证模型质量的前提下，炭篇建立一个精确的小数据分析模型是目前研究者应该关注的问题，炭篇目前已有部分研究人员建立了小数据模型[10,11]，但精度以及普适性仍需进一步优化验证。

图2-1 机器学习的学习过程流程图为了通俗的理解机器学习这一概念，发展举个简单的例子：发展当我们是小朋友的时候，对性别的概念并不是很清楚，这就属于步骤1：问题定义的过程。研究发现，回顾先前分别显示为激子绝缘体相和电荷密度波相的过渡金属硫族化合物SG15(C/2c)Ta2NiSe5和SG12(C2/m)Ta2NiSe7是正常状态下的三维拓扑绝缘子(TIs)。

此外，炭篇研究还发现SG166 TI菱面体铋和SG16间接能隙TIBi2Mg3都是RTopo和STopo材料。计算表明，发展在EF处，发展52.65%的材料是拓扑的，大概2/3能带中所有材料都表现出对称的稳定拓扑结构，令人震惊的是，87.99%的材料至少含有一个稳定的或脆弱的(晶体)拓扑带。

高通量计算表明，回顾同早期的猜测相比，更多的材料应该具有拓扑性。在化学计量材料ICSD的96,196可处理的条目中计算了所有能带的电子结构，炭篇拓扑类，对称性指标。