油墨行业发展之初，微语众多厂家由于技术难点或效益考虑往往生产或多或少携带有害物质的油墨，诸如笨类、醇类或酮类等稀释剂。

本工作的数据大致遵循幂律关系，录精其指数约为0.5，远低于其他已报道的所有多孔材料。微语本工作通过有限元(FE)模拟的方法阐明低密度下高刚度的原理。

在大多数构筑型热解碳的研究中，录精样品是通过直接热解打印结构制备的，这导致了较大的线性收缩(高达80%)和相对较高的密度(100mgcm-3)。微语原位矿柱压缩实验进一步论证了30~50%压缩后的大变形恢复能力和高比阻尼指标。对于较小的2：录精1(图4l)和1：1(图4h)长径比支柱和块体样品(图4d)，没有观察到侧向屈曲，以及与之相关的应力-应变曲线中的峰值。

值得注意的是，微语使用镍催化合成方法制备三维多孔石墨烯结构的报道已经出现。总而言之，录精实验观察到的模量-密度关系主要归因于聚合物模板密度与镍镀层厚度之间的反耦合。

微语STinT碳结构还提供了优异的大应变变形恢复能力和优越的比阻尼性能。

通过考虑试样上碳管厚度的变化，录精在加载过程中发生连续的弹塑性屈曲事件，录精导致应变硬化响应与图4d，h所示的小长径比试样的实验应力-应变曲线紧密对应。这就是步骤二：微语数据收集跟据这些特征，我们的大脑自动建立识别性别的模型。

2018年，录精在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]。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，微语来研究超导体的临界温度。

首先，录精构建带有属性标注的材料片段模型（PLMF）：将材料的晶体结构分解为相互关联的拓扑片段，表示结构的连通性。此外，微语作者利用高斯拟合定量化磁滞转变曲线的幅度，微语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。