通过向相邻的P原子提供三个电子，Cr的价电子构型变为3d34s0，这将产生3µB的磁矩，并且图2c中Cr-3d轨道的PDOS证实了这些结果。对于极化的NO分子，它具有半占据的π*2p轨道。第二步表示为“转移”，P原子上sp3杂化轨道（P-sp3）中的电子转移到Cr原子的d轨道，使P原子具有空轨道来捕获NO分子中的电子。作者通过分析NO-2p轨道和P-sp3轨道之间的轨道重叠发现（见图5b），当吸附

接着，着重展望了未来材料数据问题的挑战和机遇，包括经典的大数据5V (volume, velocity, variety, veracity, value)问题、3M (multicomponent, multiscale, multistage) 挑战、实验和计算数据的协同挖掘、面向可移植/可解释性机器学习和因果机器学习的材料数据科学问题。结构和非结构化的原始材料数据可通过数据表征转化成计算机可

相反，铜的配位数从氧化态的5-6个（Cu2+）变为还原态的2-3个（Cu+）。近期，日本株式会社丰田中央研究所Ryosuke Jinnouchi等人出了一种结合第一性原理计算和机器学习的方法，从机器学习力场到半局域泛函，再到杂化泛函的热力学积分，最终利用Δ-机器学习（Δ-ML）逐步完善电子转移自由能的计算，在仅使用25%杂化函数(PBE0)的情况下，成功预测实验报道的Fe3+/Fe2+、Cu2+/

然而，与C共价半径相比，更大的Si共价半径导致了SiC附近的应变，产生了h- BC2N结构的扭曲，计算得到的Si-C和Si-N键距比原始h-BC2N中的原始键长约增加15%。由于Si原子表现出的电负性比取代原子的小，电荷从Si原子转移到它的邻居原子，当存在未配对电子(SiB和SiN)时，可以观察到约1.5 e的电荷转移，而对于具有配对电子(SiC)的系统，电荷转移较小。(图3 (c)和(d)) V

正如图4所示，在3d和4d的过渡金属中，Sc、Ti、Y和Zr的单原子掺杂在N4、N3S和N2S2衬底上对MgCO3的吸附能力最强，而当掺杂Y时，N4、N3S和N2S2的吸附能分别为-4.85 eV、-4.19 eV和-4.06 eV，3d的Ni和4d的Pd掺杂对MgCO3的吸附作用最弱，吸附能大约在-1.4 ~ -1.53 eV之间。p值是一个范围从-1.0到+1.0的统计度量，表示相关性的强度，

然后，作者使用Herfindahl-Hirschman指数（HHI）确定了在市场竞争力方面有希望的元素，HHI值越高，表明竞争越少，市场主导地位越强，因此作者选择HHI值< 6000的元素作为产量和储量，从而选择28种元素（Li、B、C、N、O、F、Na、Mg、Al、Si、P、S、Cl、Ca、Zn、Ga、Ge、As、Se、Sr、Cd、in、Sn、Te、I、Ba、Hg、Pb）。考虑到电化学稳定性窗口

通过光谱描述符预测了双原子分子的结构参数（图3a）。图3（a）预测了TiO2-Cu-CO体系的CO信息（b-d）分别预测了TiO2-Cu-NO、TiO2-Ag-CO和MgO-Cu-CO体系的吸附分子两个键长（e）验证TiO2-Cu-CO体系和其他TiO2-Cu-NO、TiO2-Ag-CO和MgO-Cu-CO迁移体系的ML-2模型的正确性（f）TiO2-Cu-CO体系和其他TiO2-Cu-NO、Ti

通过构建Janus-MXenes，可以显著调节催化剂的性能，得到了一些高活性、低过电位的催化剂，如Pt-VO-CrTiCO2 (0.44 V)、Pt-VO-MnTiCO2 (0.24 V)、Pt-VO-NiTiCO2 (0.41 V)和Pt-VO-CrTiCO2 (0.33 V)，如图3 (b-e)所示。与普通MXenes (Pt-VO-PdTiCO2)相比，在Janus-MXenes Pt-VO

在该工作中，作者重点介绍了这些在类脑人工智能领域具有应用潜力的基于忆阻器的纳米电子器件的发展，指出了基于忆阻器的纳米器件对类脑芯片的现有挑战，并提出了未来生物医学和人工智能领域器件推广和系统优化的指导原则和应用前景。众所周知，突触是人类大脑中神经网络的关键部分，参与信息传输和处理，并被用于开发为学习和记忆的类脑芯片的基础。从技术上讲，将多个应用属性（即感知、记忆、计算、训练和/或识别）集成到一个基

然而，这需要在实验催化中更多地采用数据科学方法，但目前的趋势并不明显，造成这种差异的因素主要包括：两个领域之间的知识差距，ML只能在大数据（大于1000个数据点）中发挥良好作用的观念，以及对数据驱动模型的黑箱性质缺乏信任。值得注意的是，酶催化展现了理论与实验工作的统一，例如，从现有数据库中检索不同酶的氨基酸序列，然后通过实验室工程实现所需的特性，但大多数研究的主要重点在于预测酶的结构或特性，很少应