近日，盘点王海良课题组利用XANES等先进表征技术研究富含缺陷的单晶超薄四氧化三钴纳米片及其电化学性能（Adv.EnergyMater.2018,8,1701694）,如图一所示。

新型系统下 【小结】本文开发了一种种子介导的用于在球形Au种子上产生Au的二级结构的生长策略。电力(a-d)中的比例尺为20nm。

比例尺在(a、数字c、d和e)中为50nm，在(b)中为20nm，在(e)的插图中为2nm。化电f）AuPt-0.1-Au二聚体的HADDF-STEM图像和EDS元素映射（（b）中的样品）;g)a-d中AuPt-0.1-Au二聚体的紫外-可见光谱。比例尺在(a-e)中为50nm，厂形在(f-j)中为10nm。

特别是，盘点该策略允许合成粒径可控、产率高、结构明确和独特的光学性质的Au二聚体，这是以前从未报道过的。文献链接：新型系统下SurfaceEngineeringandControlledRipeningforSeed-MediatedGrowthofAuIslandsonAuNanocrystals（Angew.Chem.Int.Ed.，新型系统下2021，DOI：doi.org/10.1002/anie.202105856）团队介绍殷亚东（YadongYin），美国加州大学河滨分校（UniversityofCalifornia，Riverside）教授，研究领域包括纳米材料的可控合成，自组装，智能材料，功能复合材料，以及界面化学，以化学合成、组装和表面功能化为主要手段，致力于探索材料的新结构、新特性和新应用。

e）Au纳米结构的UV-Vis消光光谱，电力对应于（a-d）。

数字图3AuPt-0.1纳米球上的球形纳米粒子的数量随着KI/HAuCl4摩尔比的增加而变化：a)2。就是针对于某一特定问题，化电建立合适的数据库，化电将计算机和统计学等学科结合在一起，建立数学模型并不断的进行评估修正，最后获得能够准确预测的模型。

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，厂形如金融、厂形互联网用户分析、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。此外，盘点目前材料表征技术手段越来越多，对应的图形数据以及维度也越来越复杂，依靠人力的实验分析有时往往无法挖掘出材料性能之间的深层联系。

随机森林模型以及超导材料Tc散点图如图3-5、新型系统下3-6所示。飞秒X射线在量子材料动力学中的探测运用你真的了解电催化产氢这些知识吗？已为你总结好，电力快戳。