該研究為多孔材料和智能除濕材料的設計提供了一條新途徑，沒想在生物醫學材料、先進功能紡織品、工程除濕材料等方面具有廣闊的應用前景。

與此不同的是，到的結約翰遜的機器算法或將拾取重要的預測標記。比如說，條船在經過人工智能軟件提前掃描后，線上的志愿者們面前會呈現出受災地區的衛星圖，之后大家一起幫助確認哪些地區可能是有人居住的地點。

人工智能系統在評估分析后，局居會生成一張受災地圖，局居方便救災人員的查看，在地圖中，那些建筑物損壞最嚴重的街道和受災人數最多的區域都會被重點標注出來。正在跟幾個研究機構合作的約翰遜還說：沒想如果時光倒退十年，我們還不可能做到這一點。到的結可見預測地震的大小將是一個更加棘手的問題。

不過，條船目前約翰遜團隊只是追求一種估算地震的時間的方法，并不能估測到地震的大小。昨日晚間時分，局居中國地震臺網中心和四川地震局等單位的專家緊急會商后認為，在震區近幾日仍存在發生6級左右余震的可能。

此時，沒想大數據加云端服務就是最佳拍檔，能夠全面分析微觀前兆。

吱吱聲和摩擦聲隨著模擬的構造板的時間推移不斷發生，到的結從而通過計算機算法在聲學數據中拾取到可靠信號。對于多精度機器學習，條船作者首先建立實驗與DFT計算之間的差值數據集，用差值來訓練機器學習模型。

在這項工作中，局居作者以材料形成焓為例，研究遷移學習（transferlearning）和多精度機器學習（multifidelitylearning）對于校正材料形成焓預測的效果。如圖四所示，沒想作者發現，沒想材料中S,O,N含量越高，DFT傾向于低估（morenegative，morestable）材料的形成焓，而材料中Sn,Mn,P,I,Te,Ba,Al的含量越高，DFT傾向于高估材料的形成焓。

如圖三b左上角所示，到的結作者發現有約800個材料在MP提供的energyabovehull下不穩定，而在機器學習校正的形成焓導出的energyabovehull下穩定。隨機森林是基于材料描述符的經典機器學習方法，條船ROOST是基于材料的成分的深度學習方法，而CGCNN是基于材料成分與結構的深度學習方法。