最后，年中作者讨论了冶金合金加工、机械性能（弹性、强度、延展性、硬度、韧性、堆垛层错、应力热点、疲劳和开裂、磨损和蠕变）和热性能的ML研究。

央巡（c）Al-La-Ni的玻璃化转变温度和结晶温度之间的预测差异。后者智能地搜索已知的结果，视组并在大量候选人中提出广泛的问题。

公布研究成果以题为Machinelearningforalloys发布在国际著名期刊NatureReviewsMaterials上。（b）晶体图卷积神经网络：单位晶体被转换为图，节点代表晶胞中的原子，边代表原子连接。反馈具有大量物种的系统中不可避免的无序将需要使用ML来开发工业高温合金和高熵系统。

（d）可变自动编码器将数据点映射到一个低维连续向量空间进行优化，情况并将优化的潜在向量映射回数据点。因此，名单科学家们在发展基本理解、解释实验结果和在前所未有的时间尺度和长度尺度上进行原子尺度建模方面的能力得到了广泛的提高。

（b）比较第一代和第二代ML预测与Co-Ti-Zr、年中Co-Fe-Zr和Fe-Ti-Nb实验的结果。

自主设计和优化将ML与主动学习相结合，央巡以选择合成优先级，并将包括用于材料预测的生成模型。【图文解读】图一、视组特征选择和描述符发现的结构和方法的表示（a）替代晶体表示。

ML有望通过系统地将这些方法拟合到高度准确的实验和/或计算数据，公布同时满足已知的物理约束来改进这些方法。单位（e）用于在遗传编程中生成新公式的可能交叉和变异步骤的示例。

反馈（e）具有Nb-Mo-Ta-W光谱邻域分析潜力的分子动力学模拟。所有的应用都依赖于材料表示法，情况材料表示法是ML中最重要的概念之一。