开放获取可以让全球的科研工作者不用付费订阅期刊即可读到作者的研究，神奇对于提高作者引用有很大帮助。

对错误的判断进行纠正，庆建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。最后，筑远将分类和回归模型组合成一个集成管道，应用其搜索了整个无机晶体结构数据库并预测出30多种新的潜在超导体。

小高吓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。首先，神奇构建带有属性标注的材料片段模型（PLMF）：将材料的晶体结构分解为相互关联的拓扑片段，表示结构的连通性。目前，庆建机器学习在材料科学中已经得到了一些进展，如进行材料结构、相变及缺陷的分析[4-6]、辅助材料测试的表征[7-9]等。

我在材料人等你哟，筑远期待您的加入。然后，小高吓使用高斯混合模型对检测到的缺陷结构进行无监督分类（图3-12），并显示分类结果可以与特定的物理结构相关联。

作者进一步扩展了其框架，神奇以提取硫空位的扩散参数，神奇并分析了与由Mo掺杂剂和硫空位组成的不同配置的缺陷配合物之间切换相关的转换概率，从而深入了解点缺陷动力学和反应（图3-13）。

一旦建立了该特征，庆建该工作流程就可以量化具有统计显着性和纳米级分辨率的效应。对于纯PtD-y供体和掺杂的受主发射，筑远最高的PL各向异性比分别达到0.87和0.82，筑远表明供体的激发各向异性能可以有效地转移到受体上，并具有显著的放大作用。

小高吓制备出多种具有特殊功能的仿生超疏水界面材料。1992年作为中日联合培养的博士生公派去日本东京大学学习，神奇师从国际光化学科学家藤岛昭。

实验结果进一步证实了这种调节是可行的，庆建从而可以建立电荷转移与催化之间的关系。该研究为多孔材料和智能除湿材料的设计提供了一条新途径，筑远在生物医学材料、先进功能纺织品、工程除湿材料等方面具有广阔的应用前景。