文章详细介绍了机器学习在指导化学合成、乌之间辅助多维材料表征、乌之间获取新材料设计方法等方面的重要作用，并表示新一代的计算机科学，会对材料科学产生变革性的作用。

2.作者编制了一份可用的ML工具箱列表，克兰柯察总结了未解决的挑战和展望了未来的发展，证明了本领域的发展正在向由ML增强的基于物理的模型发展。同时，和俄作者概述了几种现代神经网络架构，以及它们的预测能力，通用性和可转移性，并说明了它们对各种化学性质的适用性。

金没相关研究成果以Extendingmachinelearningbeyondinteratomicpotentialsforpredictingmolecularproperties为题发表在NatureReviewsChemistry上图5自旋极化电荷和总电子密度的机器学习预测©2022SpringerNature（a）一系列取代的硫代醛中硫原子上的原子电荷，有祖正如在ANI-1x数据集上训练的分子中原子网络（AIMNet）所预测的那样，有祖该网络由氟、硫和氯原子的分子增强。乌之间（d）分子中原子网络（AIMNet）体系结构的变体。

克兰柯察相关研究成果以Extendingmachinelearningbeyondinteratomicpotentialsforpredictingmolecularproperties为题发表在NatureReviewsChemistry上。【导读】化学作为在原子、和俄分子水平上研究物质的组成、和俄结构、性质、转化及其应用的基础自然科学，其源自生活和生产实践，并随着人类社会的进步而不断发展。

金没（c）HIP-NN变体用于学习不同的原子和分子性质。

（b）在应用元素铝（ANI-Al）电位后，有祖在24.5ps的冲击下，使用ANI模拟了铝体相的位错结构。作为一种替代方法，乌之间金属等离子体元在紫外、可见光和近紫外区域也表现出负折射。

(E)沿x(左)和y(右)方向的近场剖面;(F)在880~940cm−1范围内(灰色阴影区)，克兰柯察石墨烯/α-MoO3中入射(入射)角ϕ2与α-MoO3中入射(折射)角ϕ1的关系;  ©2023AAAS图3 栅级可调负折射。具体地说，和俄该工作在石墨烯装饰的α-MoO3薄膜中看到了广角负折射极化激元。

金没这些结构中使用的超材料限制了它们强烈穿透细光的能力。为光学和热学的应用提供新机会，有祖例如红外超分辨率成像、纳米级热调控和增强灵敏度的化学传感器件等。