别人的食物就是香尽管如此，科教还是多次被狗狗偷袭成功，好在都是一些蔬菜，并没有什么害处。

改革（c）TENG在常温空气中的稳定性测试。最难图三贵金属/钙钛矿肖特基结增加TENG性能的机理示意图及相关表征（a）肖特基结对界面电荷分布影响示意图。

科教（e）不同薄膜的介电常数。改革（e）钙钛矿薄膜的表面形貌SEM图。界面电场的产生不仅有助于增加了电极上的电荷密度，最难同时阻碍了感生电荷向钙钛矿薄膜内部扩散，对提高TENG的输出性能十分有利。

科教（c）基于不同贵金属的钙钛矿薄膜的UPS图谱。相关成果以题为InterfacialElectricFieldEnhancedChargeDensityforRobustTriboelectricNanogeneratorsbyTailoringMetal/PerovskiteSchottkyJunction发表在最新一期的NanoEnergy杂志上，改革第一作者为王猛博士后，改革段加龙副研究员和唐群委教授为共同通讯作者。

另外，最难该TENG可以在常温空气环境中连续运行1050次性能基本保持不变，最难为半导体材料在TENG中的应用以及深入了解摩擦电荷的动力学行为提供了新的思路。

通过调控贵金属的功函数、科教改变肖特基结的能级势垒高度，能够实现钙钛矿薄膜中电子向金属转移的最大化，增强界面电场。实验过程中，改革研究人员往往达不到自己的实验预期，而产生了很多不理想的数据。

随后，最难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。最后我们拥有了识别性别的能力，科教并能准确的判断对方性别。

改革图2-2 机器学习分类及算法3机器学习算法在材料设计中的应用使用计算模型和机器学习进行材料预测与设计这一理念最早是由加州大学伯克利分校的材料科学家GerbrandCeder教授提出。图3-11识别破坏晶格周期性的缺陷的深度卷积神经网络图3-12由深度卷积神经网络确定的无监督的缺陷分类图3-13不同缺陷态之间转移概率的分析4机器学习在材料领域的研究展望与其他领域，最难如金融、最难互联网用户分析、天气预测等相比，材料科学利用机器学习算法进行预测的缺点就是材料中的数据量相对较少。