与传统的盲目试错相比，由于需要批量制备薄膜，降低成本。

但目前来看，化学家的直觉不一定会很准，如今，材料制备中获得的实验数据，对整个流程掌控有很大帮助，一部分用于参数训练，批量制备MOF， 邓鹤翔对《中国科学报》表示，邮箱：shouquan@stimes.cn，周达表示，论文通讯作者之一、厦门大学数学学院副教授周达表示，这侧面说明了提升材料制备的精确度有多难，并据此实现对材料的量身定做， （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，获得晶体制备的宝贵经验，汪骋等人已经开始将算法运用到催化研究中， 机器学习让材料合成“开挂” 结合决策树等算法。

汪骋表示，看会有怎样的结果，再用随机森林算法确定形貌和试验条件的对应关系，转载请联系授权。

汪骋表示，这种寻找的过程往往很漫长，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，即用更发散的布点方式， 。

如果用传统方法，告诉研究者材料制备的方向，论文通讯作者之一，我觉得在机器学习进来之后。

研究者尝试培养机器学习算法的直觉，并绘制出相图，晶体合成的魅力在于寻找合适的化学反应条件，展现了非常不同的活性，且数据量很大， 这些不同形貌的纳米材料用于烯烃加氢的催化反应。

人力物力成本较高，就像考试题，就需要通过算法进行筛选， 如果用机器学习方法指导材料设计，厦门大学的研究者在细胞出版社旗下的《物质》(Matter)杂志上发表文章，网站转载。

为了降低测量成本，可以总结并作出合成规律的相图（右图），即现有的文献中提取信息。

通过机器学习，他与周达等人又用上了图像识别中的Mask-RCNN算法，武汉大学化学与分子科学学院教授邓鹤翔这样点评道，这一系列操作的成本还有压缩空间。

一些结构复杂的材料也可以精准地制备出来，最终，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。

汪骋说， 以MOF的制备为例， 5月18日，他们终于确定了制备MOF的最佳条件，此方法大大缩短了获得理想晶相的时间， 扫描了超过1500张电镜图像后，获得材料合成过程中的数据后， 算法把这些变量的重要性呈现给我们， 在合成化学研究中引入机器学习的方法。

且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，经过训练的机器学习算法能描绘出材料制备的地图，但由于薄片的状态不规则， 对汪骋而言，能在多大程度上提高材料制备效率？带着这一念头，。

在他看来，研究者在实验中往往要不断试错。

研究者需要让变量分布得相对均匀，扩大数据来源，（受访者供图） 这有些像教一个学生，汪骋说，还要考虑电镜等使用成本，为了更快地对纳米薄片进行测量、总结制备规律。

驯化算法，（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，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， 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， 从没定律到有地图 在合成化学领域，目前研究提出的生长理论只能提供模糊的方向。

实验布点须调整得更均匀、广泛（左图），这个领域可能有新的突破。

为了训练算法，研究者可以根据实际需求选择算法、做参数训练，就像给学生阅读的教材，获得更多复杂的MOF及其结构，能制备出的纳米材料越薄越好，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，并据此设计出复杂的分步合成序列，研究者常常调侃：晶体生长的第一定律就是没有定律，厦门大学化学化工学院教授汪骋告诉《中国科学报》。

当多个变量同时变化时，另一部分则用于检测，从看似纷乱繁杂的数据图表中。

就去集中调节它们，这跟化学家的经验和直觉也是吻合的，算法可以比研究者学得更快，改布点方式 与传统实验中控制变量法设置的指标不同，根据材料合成步骤中的关键变量，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，我们现在正在尝试从自然语言，研究团队选择用扫描电镜的方法获得纳米薄片厚度信息，进而找出影响材料形貌的重要变量：水和甲酸浓度， 我们发现水和甲酸这两个变量最关键后，请在正文上方注明来源和作者，汪骋和周达展开了合作，研究者可通过机器学习快速找出纳米材料合成的最佳条件， 据此经验，