随后，比利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。

这些发现表明，公司通过有针对性的策略（例如孔隙率和热退火过程控制）来改善光-机械转换性能有着广阔的设计空间。有趣的是，将出预测得到的单链偶氮苯酰亚胺理想的光-机械转换效率为10%–24%，等于或略高于现有实验结果，意味着有实验设计方面的效率提升空间。

右侧插图显示了其块体形态，比利其中每个偶氮苯酰亚胺单体使用一种颜色表示。图六：公司偶氮苯聚酰亚胺块体的最终光致异构化转换效率与初始自由体积分数的构效关系：公司比较偶氮苯聚酰亚胺块体的体积收缩率、最终光致异构化转化效率和初始自由体积分数的关系。作者使用置信度高的粗粒化分子动力学模拟，将出澄清了原有的实验与理论矛盾，揭示了光致异构化伸缩聚合物中限制光力转换效率的因素。

在顶级国际权威期刊Nature、比利NatureNanotechnology、比利NatureCommunications、ScienceAdvances、AdvancedFunctionalMaterials、ACSNano、JournaloftheAmericanChemicalSociety、AngewandteChemieInternationalEdition等发表论文50余篇，论文引用超过3800多次、H因子为28。公司近年来致力于多物理场下的聚合物材料和无机材料的力学行为的理论模拟和实验表征。

将出图二：单链偶氮苯酰亚胺的光致异构化转换效率：a)反式和顺式全原子单链偶氮苯酰亚胺拉伸试验的分子动力学模拟图和收缩率测量。

作者简介林尚超：比利上海交通大学机械与动力工程学院工程热物理研究所副教授、博导、国家特聘青年专家。目前，公司机器学习在材料科学中已经得到了一些进展，如进行材料结构、相变及缺陷的分析[4-6]、辅助材料测试的表征[7-9]等。

我在材料人等你哟，将出期待您的加入。然后，比利采用梯度提升决策树算法，建立了8个预测模型（图3-1），其中之一为二分类模型，用于预测该材料是金属还是绝缘体。

根据Tc是高于还是低于10K，公司将材料分为两类，构建非参数随机森林分类模型预测超导体的类别。将出机器学习分类及对应部分算法如图2-2所示。