2003年荣获教育部全国优秀博士学位论文指导教师称号，储优先同年由他为学术带头人的光功能材料的设计、制备与表征获基金委创新研究群体资助。

并利用交叉验证的方法，浙江解释了分类模型的准确性，精确度为92±0.01%（图3-9）。属于步骤三：发展模型建立然而，发展刚刚有性别特征概念的人，往往会在识别性别的时候有错误，例如错误的认为养着长头发的男人是女人，养短头发的女人是男人。

图3-5 随机森林算法流程图图3-6超导材料的Tc散点图3.2辅助材料测试的表征近年来，储优先由于原位探针的出现，储优先使研究人员研究铁电畴结构在外部刺激下的翻转机制成为可能。发现极性无机材料有更大的带隙能（图3-3），浙江所预测的热机械性能与实验和计算的数据基本吻合（图3-4）。发展（f,g）靠近表面显示切换过程的特写镜头。

随后，储优先2011年夏天，奥巴马政府宣布了材料基因组计划(MaterialsGenomeInitiative,简称MGI)，该计划在材料科学中掀起了一场革命。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、浙江无监督学习、半监督学习以及强化学习。

为PLMF图中的顶点赋予各个原子独有的物理和化学性能（如原子在元素周期表中的位置、发展电负性、摩尔体积等），以此将不同的材料区分开。

根据Tc是高于还是低于10K，储优先将材料分为两类，构建非参数随机森林分类模型预测超导体的类别。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：浙江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，浙江对症下方，方能功成。

再者，发展随着计算机的发展，发展许多诸如第一性原理计算、相场模拟、有限元分析等手段随之出现，用以进行材料的结构以及性能方面的计算，但是往往计算量大，费用大。需要注意的是，储优先机器学习的范围非常庞大，有些算法很难明确归类到某一类。

为PLMF图中的顶点赋予各个原子独有的物理和化学性能（如原子在元素周期表中的位置、浙江电负性、摩尔体积等），以此将不同的材料区分开。一旦建立了该特征，发展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。