(h)理论计算的MSO和MSO:Mn2+荧光粉在x方向的光吸收光谱，电力带其中光吸收是各向同性的。

设备（c）HIP-NN变体用于学习不同的原子和分子性质。二维（2D）和三维（3D）结构通常被视为具有周期性，行业因此蛋白质作为一个整体非周期的例子，其复杂性规模在不断增加。

随后，结构机遇这些性质成为实验和理论研究的主要目标。【成果启示】综上所述，转变受益于高质量的数据，数据驱动的主动学习 技术为原子间势数据集的最佳收集提供了有前途的策略，而不会失去其可转移性。然而，发展在实践中，很少提出精确的解决方案。

其中，电力带化学知识是多方面的，电力带在分析化学结构的特定性质时，有必要考虑各种尺度，比如特定的片段、键以及原子，并且这些局部属性能够为结构的全局属性和功能提供重要见解。图4原子电荷、设备振动谱、设备偶极子和四极子的机器学习预测©2022SpringerNature（a）使用测试集（ANI-1x）训练以重现各种电荷分配方案的部分原子电荷时，分层相互作用粒子神经网络（HIP-NN）电荷预测的平均绝对误差（MAE）和均方根误差（RMSE）。

图5自旋极化电荷和总电子密度的机器学习预测©2022SpringerNature（a）一系列取代的硫代醛中硫原子上的原子电荷，行业正如在ANI-1x数据集上训练的分子中原子网络（AIMNet）所预测的那样，行业该网络由氟、硫和氯原子的分子增强。

（e）在训练集中具有不同键拓扑的聚类，结构机遇用于拟合密度泛函紧密结合（DFTB）框架中的键特异性排斥势。近年来，转变过渡金属(如Fe和Co)单原子电催化剂因其优异的催化活性、低成本和优异的稳定性而蓬勃发展。

此前，发展Wu也报道了一种高密度Fe1/NCSACs(~4个原子nm-2)在ORR和燃料电池或锌-空气电池中的性能(见图2E~H)。电力带图5 碳支撑高密度单簇催化剂（SCCs）的性能优化【3】。

相邻的单原子活性中心可以相互配合，设备产生优化的电子结构，从而影响SACs在多相催化中的催化活性和催化路径。然而，行业在ORR过程中，O-O键解离受到O2在单一金属位置上的吸附模式（侧模式或端模式）的限制，这不利于其直接四电子转移过程。