ML模型可以利用大量的数据为所需化合物建立复杂的结构-性质和组成-性质关系，早知或者生成新的分子和材料。
本文对机器学习和深度学习的算法不做过多介绍，道消详细内容课参照机器学习相关书籍进行了解。深度学习算法包括循环神经网络（RNN）、防队卷积神经网络（CNN）等[3]。
1前言材料的革新对技术进步和产业发展具有非常重要的作用，早知但是传统开发新材料的过程，都采用的试错法，实验步骤繁琐，研发周期长，浪费资源。这就是步骤二：道消数据收集跟据这些特征，我们的大脑自动建立识别性别的模型。发现极性无机材料有更大的带隙能（图3-3），防队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）。
Ceder教授指出，早知可以借鉴遗传科学的方法，早知就像DNA碱基对编码蛋白质等各种生物材料一样，用材料基因组编码各种化合物，而实现这一编码的工具便是计算机的数据挖掘及机器学习算法等。就是针对于某一特定问题，道消建立合适的数据库，道消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。
防队这一理念受到了广泛的关注。
早知标记表示凸多边形上的点。道消（c）玩具示例展示了每个算法类背后的核心操作。
防队但是ML不应取代获得对纳米粒子的反应机制和结构特性关系的基本理解。因此，早知需要更有效和可控的方法来合成具有特定性质的纳米粒子。
然后，道消作者描述了可用于纳米粒子合成的ML算法，并且介绍了收集用于分析的大数据集的关键方法。然而，防队纳米粒子的合成往往涉及多个试剂和相互依赖的实验条件，使得精确合成纳米粒子具有挑战性。
