特别是AM，特雷中国总量是第一，特雷并且在接下来的机构统计中，排名前十有一半是中国的科研机构，具体是什么原因，大家可以在留言区提出自己的见解，与读者们一同分享。
根据Tc是高于还是低于10K，个斯蒂将材料分为两类，构建非参数随机森林分类模型预测超导体的类别。那么在保证模型质量的前提下，组织建立一个精确的小数据分析模型是目前研究者应该关注的问题，组织目前已有部分研究人员建立了小数据模型[10,11]，但精度以及普适性仍需进一步优化验证。
需要注意的是，特雷机器学习的范围非常庞大，有些算法很难明确归类到某一类。再者，个斯蒂随着计算机的发展，个斯蒂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。此外，组织目前材料表征技术手段越来越多，对应的图形数据以及维度也越来越复杂，依靠人力的实验分析有时往往无法挖掘出材料性能之间的深层联系。
2018年，特雷在nature正刊上发表了一篇题为机器学习在分子以及材料科学中的应用的综述性文章[1]。个斯蒂这一理念受到了广泛的关注。
组织（f,g）靠近表面显示切换过程的特写镜头。
特雷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。此外，个斯蒂通过密度泛函理论计算和原位同步辐射XRD技术表明Cr3+掺杂可以使得TNO具有更快的离子传输路径和增强了结构稳定性。
组织（f）基于Nb/Ti部分有序结构模型的纯TNO纳米粒子的XRD精修谱图。文献链接：特雷SynergyofIonDopingandSpiralArrayArchitectureonTi2Nb10O29:ANewWaytoAchieveHigh-PowerElectrodes(DOI:10.1002/adfm.202002665)本文由材料人微观世界编译供稿，特雷材料牛整理编辑
在过去的十年中，个斯蒂随着大量优秀的铁电材料的出现，个斯蒂分子铁电材料的研究得到了极大的发展，特别是那些具有多极轴和发光，高自发极化和大压电的铁电材料。铁电体作为具有反向极化的压电材料，组织可以用作允许在电应力和机械应力之间转换的超微换能器。
