Kim课题组在锂硫电池的正极研究中利用原位TEM等形貌和结构的表征，数据深入的研究了材料的电化学性能与其形貌和结构的关系(Adv.EnergyMater.,2017,7,1602078.)，数据如图三所示。

对于二维材料而言，解码了解其力学性质是实现应力调控、发展柔性电子器件的基础。年燃(g)1T-MoTe2薄膜的AFM图像及其晶体取向示意图。

这项研究成果以题为ElasticPropertiesandFractureBehaviorsofBiaxiallyDeformed,PolymorphicMoTe2发表在国际著名学术期刊NanoLetters上，料电第一作者为清华大学材料学院博士生孙雨飞、料电美国天普大学JinboPan博士、清华大学物理系博士生张泽涛。本文系统报道了基于纳米压入法测试各向异性二维材料在等轴拉伸下的力学行为，池电为研究其他各种二维材料的力学性质和断裂行为提供了普适性参考。堆行(f)1T-MoTe2的SHG强度随角度变化蛛网图。

【成果简介】近日，数据清华大学材料学院刘锴课题组与美国天普大学QiminYan课题组、数据清华大学物理系徐勇课题组等合作，通过机械剥离法制备了三相MoTe2样品，并通过纳米压入法测试了其弹性模量和断裂强度。（b）不同条件（样品、解码探针、最大压力）下受力(F)和压入深度(δ)曲线，根据F-δ曲线可以拟合出被测薄膜的弹性模量和断裂强度。

其中，年燃二维模量E2D和强度σ02D是由纳米压入实验直接测得的，而三维模量E3D和强度σ03D是用二维数值除以样品厚度得到的。

(b)2H-MoTe2的二次谐波光谱（SHG）强度随角度变化蛛网图，料电根据此图可以确定晶体取向。一旦建立了该特征，池电该工作流程就可以量化具有统计显着性和纳米级分辨率的效应。

堆行机器学习分类及对应部分算法如图2-2所示。深度学习是机器学习中神经网络算法的扩展，数据它是机器学习的第二个阶段--深层学习，深度学习中的多层感知机可以弥补浅层学习的不足。

首先，解码构建深度神经网络模型（图3-11），解码识别在STEM数据中出现的破坏晶格周期性的缺陷，利用模型的泛化能力在其余的实验中找到各种类型的原子缺陷。年燃这样当我们遇见一个陌生人时。