2014年获得北京大学王选青年学者奖，济南架路同年，应邀担任英国皇家化学会期刊CatalysisScienceTechnology副主编。
首先，东西构建深度神经网络模型（图3-11），东西识别在STEM数据中出现的破坏晶格周期性的缺陷，利用模型的泛化能力在其余的实验中找到各种类型的原子缺陷。随机森林模型以及超导材料Tc散点图如图3-5、向最3-6所示。
发现极性无机材料有更大的带隙能（图3-3），长高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）。深度学习算法包括循环神经网络（RNN）、工业公里卷积神经网络（CNN）等[3]。就是针对于某一特定问题，北路建立合适的数据库，北路将计算机和统计学等学科结合在一起，建立数学模型并不断的进行评估修正，最后获得能够准确预测的模型。
那么在保证模型质量的前提下，快速建立一个精确的小数据分析模型是目前研究者应该关注的问题，快速目前已有部分研究人员建立了小数据模型[10,11]，但精度以及普适性仍需进一步优化验证。近年来，济南架路这种利用机器学习预测新材料的方法越来越受到研究者的青睐。
属于步骤三：东西模型建立然而，东西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。
向最（e）分层域结构的横截面的示意图。图3-1机器学习流程图图3-2 数据集分类图图3-3 图3-3 带隙能与电离势关系图图3-4 模型预测数据与计算数据的对比曲线2018年Zong[5]等人采用随机森林算法以及回归模型，长高来研究超导体的临界温度。
并利用交叉验证的方法，工业公里解释了分类模型的准确性，精确度为92±0.01%（图3-9）。对错误的判断进行纠正，北路我们的大脑便记住这一特征，并将大脑的模型进行重建，这样就能更准确的有性别的区别。
最后我们拥有了识别性别的能力，快速并能准确的判断对方性别。为了解决这个问题，济南架路2019年2月，Maksov等人[9]建立了机器学习模型来自动分析图像。
