第一重循环是企业内部的小循环，上海把各个生产环节所产生的废物吃干榨净，上海循环发展让企业没有没有用的东西，各条生产线衔接紧密，使得大大的减少了能源和资源的损耗

2018年，电气在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]。制氢利用机器学习解决问题的过程为定义问题-数据收集-建立模型-评估-结果分析。

新品下线（h）a1/a2/a1/a2频段压电响应磁滞回线。另外7个模型为回归模型，上海预测绝缘体材料的带隙能（EBG），上海体积模量（BVRH），剪切模量（GVRH），徳拜温度（θD），定压热容（CP），定容热容（Cv）以及热扩散系数（αv）。此外，电气Butler等人在综述[1]中提到，量子计算在检测和纠正数据时可能会产生错误，那么量子机器学习便开拓了机器学习在解决量子问题上的应用领域。

制氢这一理念受到了广泛的关注。此外，新品下线随着机器学习的不断发展，深度学习的概念也时常出现在我们身边。

然后，上海采用梯度提升决策树算法，建立了8个预测模型（图3-1），其中之一为二分类模型，用于预测该材料是金属还是绝缘体。

为PLMF图中的顶点赋予各个原子独有的物理和化学性能（如原子在元素周期表中的位置、电气电负性、摩尔体积等），以此将不同的材料区分开。制氢插入：放大所选区域的图片。

新品下线（c）在50mAg-1时的循环性能。Li和O之间的结合位点，上海Cu的价态变化由蓝色和灰色圆圈表示。

电气（d）在50至1000mAg-1的各种电流密度下的倍率性能。特别是过渡金属复合阴极具有较低的重量容量（200mAhg-1），制氢因此在满足高重量电池系统的需求方面面临着巨大的挑战。