别的不论，年国武汉理工大学和北京航空航天大学在高端人才方面进步很大。

为了直观了解化学元素对相形成的作用，产片差杨勇课题组根据神经网络的数学模型提取出参量灵敏度，产片差并据此评估并拓展了相设计准则来指导设计未来的高熵合金。通过铜模铸造，票房甩带和镀膜等制备方式，运用X射线衍射观察合金相，验证了模型的预测能力（图4，图5）。

据此，反映人们一方面可以评估、验证已有的设计准则，另一方面也拓展出新的值得重视的热力学参量，这些参量一起作用使得预测模型达到高精度。欢迎大家到材料人宣传科技成果并对文献进行深入解读，些问投稿邮箱：[email protected]投稿以及内容合作可加编辑微信：cailiaorenvip。人们设计、年国表征了大量的高熵合金。

图文导读图1.人工神经网络机器学习模型简图图2.卷积神经网络机器学习模型简图图3.基于人工神经网络的参量灵敏度量图表(a)非晶相灵敏度量图表(b)金属间化合物灵敏度量图表(c)固溶体灵敏度量图表图4.电弧熔炼铜模铸造铁铬镍锆铜系统合金的表征(a)X射线衍射标定图(b)扫描电镜能谱成分分析图(c)机器学习模型预测结果与实际实验结果对比图，产片差其中颜色表示模型预测结果，产片差符号表示实际实验结果图5.铁铬镍锆铜系统条带和薄膜结构表征(a)合金条带X射线衍射结果标定图(b)合金薄膜扫描电镜能谱成分分析图(c)合金薄膜X射线衍射结果标定图总结该项工作基于三种机器学习算法训练得到的高精度结果，提出了灵敏度量的概念，对已有的相设计准则进行了定量评估，对新设计的参量的作用进行了探索，探讨了新参量的热力学意义，并证明了机器学习方法在解决材料问题方面强大的能力。研究人员可以通过调整这些参量，票房来完成新高熵合金的设计。

首先，反映研究人员从热力学和统计学的角度出发，反映选取十三种参数作为机器学习输入特征量，以是否存在固溶体、金属间化合物或非晶相作为二分类标签，采用了人工神经网络（图1）、卷积神经网络（图2）和支持向量机等多种模型进行分类训练，得到的模型预测准确度介于95.6%至98.9%之间。

因此，些问人们一直致力于总结各种参量、经验公式和准则来归纳已有高熵合金相分布的规律。更加重要的，年国原位XRD以及XPDF显示(Ni)MnO2电极在充放电过程保持着稳定的long-range和local结构，也揭示了其优异的电化学性能。

产片差文献链接：FrameworkDopingofNiEnhancesPseudocapacitiveNa-IonStorageof(Ni)MnO2LayeredBirnessite,ChemistryofMaterials,31(2019)8774-8786.doi:10.1021/acs.chemmater.9b02568本文由Narcissus供稿。氧化锰是在水相电池中具有前景的电极材料，票房特别是二氧化锰Birnessite有大于7Å的层间距以嵌入与脱出钠离子而且能保持结构稳定。

利用中子散射和PDF分析，反映原位同步辐射XRD，反映X-rayPDF以及XANES，XPS测试，表明晶体结构中相对无序的[NiO6]以及相对有序的[MnO6]单元协同作用后提高了其比容量以及循环寿命，在0.2Ag-1电流密度以及2000次充电后仍有63mAhg-1的性能。些问这个研究工作主要证明了镍的二氧化锰framework掺杂显著提高了其类赝电容的钠离子水相储能。