高熵陶瓷作为一种新兴的陶瓷材料自问世起就成为陶瓷领域的研究热点，然而，其巨大的成分设计空间也为基于实验和“试错法”的组分设计带来了挑战。近年来，通过机器学习与实验探索相结合的方式为这一问题的解决带来新方法。基于此，本研究建立了4个机器学习模型，通过训练评估选出性能最好的梯度提升决策树模型(R2=0.92)并用于预测，然后通过实验成功合成了单相的(Ti0.2V0.2Zr0.2Nb0.2Hf0.2)N高熵氮化物陶瓷，验证了模型的准确性，为高熵氮化物陶瓷的设计提供了新思路，加快了新体系的发现。

在常压下寻找新型高温超导材料是物理和材料领域共同关注的热点问题。近年来, 机器学习技术和大数据成功地解决了材料特性与复杂物理因素之间关系建模的难题, 在新型材料的优化设计中获得了重要应用。然而利用机器学习在材料数据库中寻找常规Bardeen-Cooper-Schrieffer (BCS)超导材料, 存在可用数据量少的问题, 导致设计出的超导材料种类少, 结构构型单一。结合BCS超导理论和半监督学习方法, 发展了神经网络模型预测BCS超导体。通过充分利用材料数据库中大量的无标签数据, 即未知超导温度但已知电子结构的晶体材料, 使得训练出的分类模型准确性达72%。模型预测出数十种可常压下存在的新型BCS超导材料, 其中B-C和B-C-N体系的超导温度最高可达约60 K, 高于MgB2的39 K超导纪录。

数据驱动的机器学习因其能够快速拟合历史数据中的潜在模式并实现材料性能的精准预测, 已被广泛应用于材料性能优化和新材料设计。然而, 由于缺乏描述符间关联关系、材料性能驱动机制等材料领域知识的指导, 数据驱动的机器学习在实际应用中常常出现与材料基础理论认知或原理不一致的结果。本工作通过分析材料数据的特点和数据驱动的机器学习建模原理, 厘清了数据驱动的机器学习应用于材料领域面临的三大矛盾: 高维度与小样本数据的矛盾、模型复杂性与易用性的矛盾、模型学习结果与领域专家知识的矛盾。藉此提出材料领域知识嵌入的机器学习作为上述矛盾的调和策略。进一步, 面向“目标定义-数据准备-数据预处理-特征工程-模型构建-模型应用”的机器学习全流程, 通过剖析相关的基础性和探索性工作, 探讨了在机器学习各阶段实现材料领域知识嵌入的关键技术。最后, 展望了材料领域知识嵌入机器学习的发展机遇和挑战。

有机聚合物和钙钛矿杂化物在合成控制、加工及属性调控的进展显著地增强了其太阳能电池性能。聚合物和杂化太阳能电池的性能十分依赖材料吸收光子、激子离解、电荷传输以及在金属/有机/金属氧化物或金属/钙钛矿/金属氧化物界面的电荷收集的效率。介绍了如何通过有效地整合材料设计以及界面与器件工程以显著提高聚合物和杂化钙钛矿型太阳能电池性能(转换效率＞18%)。还介绍了一些关于制备串联和半透明太阳能电池的新型器件结构和光学工程策略,以发挥聚合物和钙钛矿太阳能电池的最大潜能。

纳米技术的发展为在纳米尺度上对材料的光、电、离子传输、化学、机械性能的合理设计提供了机遇。从基本科学原理出发,给出一些具体的实例,讲述了如何设计合适的纳米材料以满足其在高性能的能量存储器件和环境净化中的应用。主要包括: 纳米材料在太阳能电池和透明电极中的设计和应用;便携式储能器件和电动汽车用纳米电极材料的设计; 纳米材料在生物、水净化和空气净化领域的设计和应用。