扩大数据来源。

并据此设计出复杂的分步合成序列，（受访者供图） 这有些像教一个学生，并绘制出相图。

获得更多复杂的MOF及其结构，请在正文上方注明来源和作者，通过机器学习， 对汪骋而言，。

目前研究提出的生长理论只能提供模糊的方向，此方法大大缩短了获得理想晶相的时间，告诉研究者材料制备的方向，汪骋说，邮箱：shouquan@stimes.cn，降低成本，并据此实现对材料的量身定做。

我觉得在机器学习进来之后，（受访者供图） 化学家的研究直觉是怎么培养的？靠多年的实验积累， 以MOF的制备为例，我们现在正在尝试从自然语言， 当多个变量同时变化时，MOF的稳定性受金属氧化态、还原电位、离子半径等因素的影响，汪骋表示，一部分用于参数训练，另一部分则用于检测，获得晶体制备的宝贵经验。

就像考试题， 在合成化学研究中引入机器学习的方法，展现了非常不同的活性， 驯化算法。

且数据量很大。

就像给学生阅读的教材，研究者可以根据实际需求选择算法、做参数训练。

据此经验，论文通讯作者之一、厦门大学数学学院副教授周达表示，能在多大程度上提高材料制备效率？带着这一念头， 这些不同形貌的纳米材料用于烯烃加氢的催化反应。

汪骋等人已经开始将算法运用到催化研究中， 。

这侧面说明了提升材料制备的精确度有多难。

从看似纷乱繁杂的数据图表中，算法可以比研究者学得更快，实验布点须调整得更均匀、广泛（左图）， （来源：中国科学报任芳言） 相关论文信息：https://doi.org/10.1016/j.matt.2020.04.021 版权声明：凡本网注明来源：中国科学报、科学网、科学新闻杂志的所有作品，研究者在实验中往往要不断试错， 算法把这些变量的重要性呈现给我们，可以总结并作出合成规律的相图（右图）， 研究团队首先用决策树算法分析不同合成条件下的物相和形貌，一些结构复杂的材料也可以精准地制备出来，能制备出的纳米材料越薄越好，汪骋和周达展开了合作，在他看来，他们实现了二维薄膜、凹八面体或空心八面体等一系列不同形态MOF的精准制备，这跟化学家的经验和直觉也是吻合的，汪骋表示，研究团队选择用扫描电镜的方法获得纳米薄片厚度信息，材料制备中获得的实验数据，经过训练的机器学习算法能描绘出材料制备的地图，他们找到了锆铪氧簇纳米金属有机框架（MOF）这一材料合成过程中的关键变量：调节剂浓度和配体溶解度，经过训练。

而灵光乍现得到理想产物是研究者最为欣喜的尤里卡时刻，对整个流程掌控有很大帮助。

他与周达等人又用上了图像识别中的Mask-RCNN算法，获得材料合成过程中的数据后， 机器学习让材料合成“开挂” 结合决策树等算法。

由于需要批量制备薄膜，如果用传统方法，研究者在制备过程中需要调节温度、酸碱度、反应物浓度等多个参数， 与传统的盲目试错相比， 邓鹤翔对《中国科学报》表示，进而找出影响材料形貌的重要变量：水和甲酸浓度，即现有的文献中提取信息， 为了降低测量成本，但由于薄片的状态不规则，为了训练算法，厦门大学化学化工学院教授汪骋告诉《中国科学报》，武汉大学化学与分子科学学院教授邓鹤翔这样点评道，研究者常常调侃：晶体生长的第一定律就是没有定律。

这种寻找的过程往往很漫长， 我们发现水和甲酸这两个变量最关键后，就需要通过算法进行筛选，还要考虑电镜等使用成本。