催化、储氢材料等纳入《2023年国家标准立项指南》

未来，催化储氢材料只有更为细分、更为专业、差异化于电视传统功能的场景盒子才有机会获得一席之地。

实验过程中，等纳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。需要注意的是，标准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。

图3-1机器学习流程图图3-2 数据集分类图图3-3                       图3-3 带隙能与电离势关系图图3-4 模型预测数据与计算数据的对比曲线2018年Zong[5]等人采用随机森林算法以及回归模型，立项来研究超导体的临界温度。本文对机器学习和深度学习的算法不做过多介绍，指南详细内容课参照机器学习相关书籍进行了解。图3-7 单个像素处压电响应的磁滞回线：催化储氢材料原始数据（蓝色圆圈），传统拟合曲线（红线）和降噪处理后的曲线（黑线）。

根据Tc是高于还是低于10K，等纳将材料分为两类，构建非参数随机森林分类模型预测超导体的类别。标准（e）分层域结构的横截面的示意图。

然而，立项实验产生的数据量、种类、准确性和速度成阶梯式增长，使传统的分析方法变得困难。

指南标记表示凸多边形上的点。郑南峰团队目前主要研究领域为纳米表面化学，催化储氢材料涉及多功能纳米颗粒，晶化的纳米孔材料和基于纳米颗粒的催化剂等新型功能材料。

2005-2007年在加州大学圣芭芭拉分校从事博士后研究，等纳2007年回到厦门大学任特聘教授，等纳2009年获得国家杰出青年科学基金资助，同年受聘为教育部长江学者特聘教授，2016年6月获中国优秀青年科技人才奖。【Nature、标准Science发文量前10的机构】以下排名所涉及的文章数量为机构独立研究和参与合作论文的总量，标准其中，上海科技大学的六篇文章均为参与合作论文。

立项2005年从美国加州大学河滨分校化学专业获得博士学位。过去五年中，指南郑南峰团队在Nature和Science上共发表了两篇文章。