Google临时商店用于展示虚拟现实的大片空间美国时间2016年10月20日，向行谷歌隆重推出旗下首家临时商店（pop-upshop）谷歌制造（MadebyGoogle），向行选址为纽约的SpringStreet96号，各系列的硬件和软件均可在此觅得。
业老阴影区域表示用于创建凹度曲线的区域图3-9分类模型精确度图图3-10（a~d）由高斯拟合铁电体计算的凹面积图。（i）表示材料的能量吸收特性的悬臂共振品质因数图像在扫描透射电子显微镜（STEM）的数据分析中，大迪低由于数据的数量和维度的增大，大迪低使得手动非原位分析存在局限性。
此外，士尼作者利用高斯拟合定量化磁滞转变曲线的幅度，士尼结合机器学习确定了峰/谷c/a/c/a - a1/a2/a1/a2域边界上的铁弹性增加的特征（图3-10），而这一特征是人为无法发掘的。以上，向行便是本人对机器学习对材料领域的发展作用的理解，如果不足，请指正。作者进一步扩展了其框架，业老以提取硫空位的扩散参数，业老并分析了与由Mo掺杂剂和硫空位组成的不同配置的缺陷配合物之间切换相关的转换概率，从而深入了解点缺陷动力学和反应（图3-13）。
Ceder教授指出，大迪低可以借鉴遗传科学的方法，大迪低就像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。深度学习算法包括循环神经网络（RNN）、士尼卷积神经网络（CNN）等[3]。
再者，向行随着计算机的发展，向行许多诸如第一性原理计算、相场模拟、有限元分析等手段随之出现，用以进行材料的结构以及性能方面的计算，但是往往计算量大，费用大。
虽然这些实验过程给我们提供了试错经验，业老但是失败的实验数据摆放在那里彷佛变得并无用处。此外，大迪低在811nm激光照射下，异质结构表现出高达7.5×1012 Jones的光检出率。
清华大学BiluLiu教授和成会明院士为通讯作者在ACSNano上发表文章，士尼题为VerticalChemicalVaporDepositionGrowthofHighlyUniform2DTransitionMetalDichalcogenides，士尼报告了一种使用气体前驱体的垂直化学气相沉积(VCVD)设计，用于在整个衬底上生长密度均匀、质量高、重现性好的单层TMDCs。进一步的分析表明，向行经过训练的网络可以提取深度图形特征，向行如对比度、颜色、边缘、形状、片状大小及其分布，在此基础上开发了一种集成方法来预测二维材料最相关的物理特性。
Deep-Learning-EnabledFastOpticalIdentification,Adv.Mater.,2020,DOI:10.1002/adma.202000953.https://doi.org/10.1002/adma.2020009535.Adv.Funct.Mater.MXene异质结构具有优异性能的电容器2D/2D异质结构可以结合每个2D材料的共同优势，业老甚至显示出协同效应的改善性能。这种气体VCVD设计可以很好地控制TMDC生长过程中的三个关键参数，大迪低包括前驱体浓度、大迪低气体流量和温度，这在目前广泛使用的含固体前驱体的水平CVD系统中是无法做到的。
