与普通CdS/MoS2复合光催化剂相比，山司中Ni0.05 dopedCdS/MoS2 稀磁半导体光催化剂在磁场下其光催化产氢性能提高3.89倍。

那么在保证模型质量的前提下，东电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，东电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3-7 单个像素处压电响应的磁滞回线：建宁原始数据（蓝色圆圈），传统拟合曲线（红线）和降噪处理后的曲线（黑线）。

根据机器学习训练集是否有对应的标识可以分为监督学习、夏公项目无监督学习、半监督学习以及强化学习。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，标首举个简单的例子：标首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。个农光储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。

参考文献[1]K.T.Butler,D.W.Davies,H.Cartwright,O.Isayev,A.Walsh,Nature,559(2018)547.[2]D.-H.Kim,T.J.Kim,X.Wang,M.Kim,Y.-J.Quan,J.W.Oh,S.-H.Min,H.Kim,B.Bhandari,I.Yang,InternationalJournalofPrecisionEngineeringandManufacturing-GreenTechnology,5(2018)555-568.[3]周子扬,电子世界,(2017)72-73.[4]O.Isayev,C.Oses,C.Toher,E.Gossett,S.Curtarolo,A.Tropsha,Naturecommunications,8(2017)15679.[5]V.Stanev,C.Oses,A.G.Kusne,E.Rodriguez,J.Paglione,S.Curtarolo,I.Takeuchi,npjComputationalMaterials,4(2018)29.[6]A.Rovinelli,M.D.Sangid,H.Proudhon,W.Ludwig,npjComputationalMaterials,4(2018)35.[7]J.C.Agar,Y.Cao,B.Naul,S.Pandya,S.vanderWalt,A.I.Luo,J.T.Maher,N.Balke,S.Jesse,S.V.Kalinin,AdvancedMaterials,30(2018)1800701.[8]R.K.Vasudevan,N.Laanait,E.M.Ferragut,K.Wang,D.B.Geohegan,K.Xiao,M.Ziatdinov,S.Jesse,O.Dyck,S.V.Kalinin,npjComputationalMaterials,4(2018)30.[9]A.Maksov,O.Dyck,K.Wang,K.Xiao,D.B.Geohegan,B.G.Sumpter,R.K.Vasudevan,S.Jesse,S.V.Kalinin,M.Ziatdinov,npjComputationalMaterials,5(2019)12.[10]Y.Zhang,C.Ling,NpjComputationalMaterials,4(2018)25.[11]H.Trivedi,V.V.Shvartsman,M.S.Medeiros,R.C.Pullar,D.C.Lupascu,npjComputationalMaterials,4(2018)28.往期回顾：体化认识这些带你轻松上王者——电催化产氧（OER）测试手段解析新能源材料领域常见的碳包覆法——应用及特点单晶培养秘诀——知己知彼，体化对症下方，方能功成。在数据库中，山司中根据材料的某些属性可以建立机器学习模型，便可快速对材料的性能进行预测，甚至是设计新材料，解决了周期长、成本高的问题。

首先，东电利用主成分分析法（PCA）对铁电磁滞回线进行降噪处理，东电降噪后的磁滞曲线由（图3-7）黑线所示，能够很好的拟合磁滞回线所有结构特征，解决了传统15参数函数拟合精度不够的问题（图3-7）红色。

建宁图3-8压电响应磁滞回线的凸壳结构示例（红色）。（b）金属铜的Cu3d/4s轨道的PDOS，夏公项目CO分子的DOS以及CO在铜表面化学吸附后的相互作用。

标首相关研究成果以p–dOrbitalHybridizationInducedbyp-BlockMetal-DopedCuPromotestheFormationofC2+ProductsinAmpere-LevelCO2Electroreduction为题发表在国际知名期刊J.Am.Chem.Soc.上。 二、个农光储【成果掠影】为解决这一难题，个农光储中科院化学研究所韩布兴院士和朱庆宫研究员团队通过简单的两步法构建了具有p-d轨道杂化特征的p区金属Ga掺杂Cu（CuGa）催化剂，该催化剂可以在安培级电流密度下促进CO2高效电催化生成C2+产物。

C2+产物生成不理想的主要原因是催化剂表面复杂的电子转移和*CO中间体的结合能力差，体化导致其它竞争途径的发生，体化这极大地阻碍了铜基催化剂的实际应用。山司中（d）CuGa-II的STEM图像以及元素mapping