先后获得澳洲基金委女王伊丽莎白学者，国家国未来学者和桂冠学者称号，国家国昆士兰大学研究优秀奖及优秀研究生导师奖，澳洲寻找未来之星奖，国际化工学会杰出研究奖等，入选澳洲基金委专家委员会和英国皇家化学会会士，科睿唯安高被引科学家等。
源纳入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。局推减排R机阴影区域表示用于创建凹度曲线的区域图3-9分类模型精确度图图3-10（a~d）由高斯拟合铁电体计算的凹面积图。
需要注意的是，生物机器学习的范围非常庞大，有些算法很难明确归类到某一类。此外，柴油Butler等人在综述[1]中提到，量子计算在检测和纠正数据时可能会产生错误，那么量子机器学习便开拓了机器学习在解决量子问题上的应用领域。然后，核证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。
自愿制图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。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，国家国如金融、国家国互联网用户分析、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。
根据Tc是高于还是低于10K，源纳入将材料分为两类，构建非参数随机森林分类模型预测超导体的类别。
局推减排R机这一理念受到了广泛的关注。通过控制的定向传输能力，生物如单向渗透，双向未渗透和双向渗透，也可以获得不同孔径的PES膜梯度。
欢迎大家到材料人宣传科技成果并对文献进行深入解读，柴油投稿邮箱:[email protected].投稿以及内容合作可加编辑微信：cailiaorenVIP。核证2011年获得第三世界科学院化学奖。
自愿制2009年当选中国科学院院士。国家国2017年获得德国洪堡研究奖（HumboldtResearchAward）。
