周岳鈺，高 靜，汪 燕，黃曉曉，吳建嵐，王 強，衛(wèi)陳龍，聞 軍（通信作者）

（安慶師范大學(xué) 安徽 安慶 246133）

0 引言

材料作為現(xiàn)代社會發(fā)展的三大支柱之一，對科學(xué)發(fā)展和社會進步起著重要作用。高性能材料的開發(fā)和應(yīng)用成為材料研究領(lǐng)域的重要課題。材料的研究方法大體可分為實驗法和計算法。實驗研究方法主要基于研究者的經(jīng)驗和直覺，但常常面臨著制備成本高、研發(fā)周期長、效率低下等問題。第一性原理計算、分子動力學(xué)、有限元模擬等常用計算模擬方法因其相對精準(zhǔn)預(yù)測能力，已被廣泛用于半導(dǎo)體材料[1]、發(fā)光材料[2-3]、新能源材料[4-5]等方面。然而，上述高通量計算方法在運行時間、計算能力等方面還存在諸多限制。

隨著以人工智能、大數(shù)據(jù)等為主導(dǎo)的“第四次工業(yè)革命”時代的到來，人工智能的新分支——機器學(xué)習(xí)已被廣泛應(yīng)用于機器人技術(shù)[6]、計算機視覺[7-8]、數(shù)據(jù)挖掘[9]、生物醫(yī)學(xué)[10-11]等眾多領(lǐng)域。機器學(xué)習(xí)因其高效的計算和預(yù)測能力，逐漸被用于材料科學(xué)研究領(lǐng)域?；诔浞值膶嶒炑芯亢屠碚撚嬎?，人們可以利用機器學(xué)習(xí)方法，快速完成數(shù)據(jù)挖掘，學(xué)習(xí)有用信息，揭示其中所蘊含的信息和規(guī)律，準(zhǔn)確預(yù)測材料性能、篩選目標(biāo)材料。機器學(xué)習(xí)方法幫助研究者在更小范圍內(nèi)進行理論計算和實驗驗證，縮短了材料研發(fā)周期。近年來，利用機器學(xué)習(xí)方法進行材料性質(zhì)預(yù)測和新材料設(shè)計的文章數(shù)量呈現(xiàn)激增趨勢，見圖1。

機器學(xué)習(xí)概念最早在1959 年由Samuel 提出[12]，現(xiàn)已發(fā)展成為一個涉及計算機科學(xué)、統(tǒng)計學(xué)等多領(lǐng)域交叉學(xué)科。它的基本原理是：機器學(xué)習(xí)模型不斷學(xué)習(xí)、積累以往的經(jīng)驗或數(shù)據(jù)，自動優(yōu)化性能，提高處理未知問題的能力，使之在全新的情境下做出決策和判斷。機器學(xué)習(xí)的完整過程可分為數(shù)據(jù)輸入、機器學(xué)習(xí)訓(xùn)練以及結(jié)果輸出等3 部分，見圖2。首先根據(jù)研究的具體問題收集相關(guān)數(shù)據(jù)，對原始數(shù)據(jù)進行預(yù)處理，再根據(jù)目標(biāo)選擇合適的模型以及評估方法，利用訓(xùn)練數(shù)據(jù)不斷優(yōu)化模型，最終以最優(yōu)化模型輸出預(yù)測結(jié)果。

1 機器學(xué)習(xí)算法

算法是機器學(xué)習(xí)的關(guān)鍵。按照學(xué)習(xí)方式主要分為監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)以及無監(jiān)督學(xué)習(xí)，其中以監(jiān)督學(xué)習(xí)的應(yīng)用最為廣泛。在監(jiān)督學(xué)習(xí)中，利用一組帶有已知標(biāo)簽的樣本，通過調(diào)整機器學(xué)習(xí)模型參數(shù)，對訓(xùn)練數(shù)據(jù)進行學(xué)習(xí)，并做出準(zhǔn)確預(yù)測。常用的機器學(xué)習(xí)算法包括支持向量機、決策樹、K-近鄰、人工神經(jīng)網(wǎng)絡(luò)以及深度學(xué)習(xí)等。下面簡單介紹常用算法。

（1）支持向量機[13]：作為一種二分類模型，支持向量機的基本原理是，求解出能夠正確劃分訓(xùn)練數(shù)據(jù)集并且使幾何間隔最大的分離超平面。當(dāng)訓(xùn)練數(shù)據(jù)集線性可分或近似線性可分時，支持向量機通過學(xué)習(xí)，生成線性分類器來劃分訓(xùn)練數(shù)據(jù)集。對于輸入空間中的非線性分類問題，可以通過核函數(shù)替換內(nèi)積，將低維特征空間中的非線性分類問題映射到高維特征空間中，尋找具有最大間隔的超平面。

（2）決策樹[14]：決策樹是一種基于樹結(jié)構(gòu)的機器學(xué)習(xí)算法，從一系列帶有特征和標(biāo)簽的數(shù)據(jù)集中提取出決策規(guī)則，并以樹狀圖呈現(xiàn)。決策樹工作原理是按照某一個準(zhǔn)則（信息熵或者基尼系數(shù)），從所有數(shù)據(jù)的根節(jié)點開始，根據(jù)某一屬性值分裂為葉子節(jié)點。選擇屬性和相應(yīng)的決策邊界，使用其他屬性從兩個子節(jié)點繼續(xù)分離，直到一個節(jié)點中的所有實例都屬于同一類。決策樹算法的核心思想是通過遞推方法，選擇最優(yōu)特征來分類或回歸。

（3）K-近鄰[15]：K-近鄰的核心思想是計算空間中樣本與每個訓(xùn)練數(shù)據(jù)之間的距離，取距離最近的K 個訓(xùn)練數(shù)據(jù)。其大多數(shù)類別決定樣本的所屬類別。K-近鄰算法精度高，但計算復(fù)雜度高。

（4）人工神經(jīng)網(wǎng)絡(luò)[16]：人工神經(jīng)網(wǎng)絡(luò)算法模仿人腦神經(jīng)元的工作方式，建立某些簡單的模型，按不同的連接方式組成的復(fù)雜信息處理系統(tǒng)，實現(xiàn)類似于人腦的判斷和決策。人工神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層、輸出層3部分組成。其中，輸入層接受來自外部的數(shù)據(jù)，作為中間部分的隱藏層起到了調(diào)整神經(jīng)元權(quán)重以及單元間連接強度的作用，并且將處理后的結(jié)果輸出到輸出層。輸出層經(jīng)過激活函數(shù)激活后，輸出最終結(jié)果。

（5）深度學(xué)習(xí)[17]：深度學(xué)習(xí)的結(jié)構(gòu)類似于人工神經(jīng)網(wǎng)絡(luò)，含有多個隱藏層，結(jié)構(gòu)更加復(fù)雜。該算法學(xué)習(xí)能力強，但計算量更大、對設(shè)備要求更高。常見的深度學(xué)習(xí)算法包括卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)以及生成對抗網(wǎng)絡(luò)等。

2 機器學(xué)習(xí)在材料科學(xué)中的應(yīng)用

2.1 材料性質(zhì)預(yù)測

近年來，機器學(xué)習(xí)方法因其泛化能力強、計算速度快等優(yōu)勢，在預(yù)測材料性質(zhì)方面嶄露頭角。機器學(xué)習(xí)方法已被成功應(yīng)用于預(yù)測包括帶隙、發(fā)射/激發(fā)波長、玻璃形成能力、抗剪強度、發(fā)光熱猝滅溫度、功函數(shù)等在內(nèi)的材料各類性質(zhì)[18-22]。下文主要介紹機器學(xué)習(xí)在預(yù)測帶隙、熒光粉發(fā)射/激發(fā)波長、玻璃形成能力以及抗剪強度等性質(zhì)方面的應(yīng)用。

2.1.1 帶隙

帶隙是半導(dǎo)體或絕緣體的導(dǎo)帶底與價帶頂之間的能量差。帶隙大小決定著材料的能帶結(jié)構(gòu)，影響其電子結(jié)構(gòu)和光學(xué)性質(zhì)。近年來，一些國內(nèi)外研究者利用機器學(xué)習(xí)方法成功預(yù)測了各類材料的帶隙。游洋等[23]基于密度泛函理論計算的數(shù)據(jù)，選取電負(fù)性、第一電離能以及形成熱等物理性質(zhì)作為特征描述符，分別建立套索回歸、支持向量回歸、梯度樹提升回歸等3 種機器學(xué)習(xí)模型訓(xùn)練數(shù)據(jù)，成功預(yù)測了16 種二維MX2 型材料的帶隙。此外，機器學(xué)習(xí)方法也被應(yīng)用于預(yù)測類金剛石結(jié)構(gòu)熱電材料的帶隙。徐永林等[24]采用組分替換策略和查重技術(shù)產(chǎn)生新材料體系數(shù)據(jù)集，提出一種高效集成學(xué)習(xí)模型來帶隙預(yù)測（第1 層為套索回歸+支持向量回歸+梯度提升決策樹，第2 層為梯度提升決策樹），并利用第一性原理高通量計算進行驗證。無機化合物中，金屬帶隙值等于零，而非金屬帶隙值大于零。針對任意化學(xué)組成的無機化合物，其帶隙值的大小情況需要分開考慮。Brgoch 等[25]采用機器學(xué)習(xí)分類方法篩選出帶隙值大于零的非金屬化合物，利用支持向量回歸模型預(yù)測出了780 個非金屬化合物的帶隙，并將其與實驗數(shù)值進行比較。隨后，他們利用已訓(xùn)練模型，預(yù)測了11 194個非金屬化合物的帶隙。綜上所述，利用化學(xué)組分以及電子結(jié)構(gòu)等信息可以預(yù)測帶隙。需要指出的是，研究用于帶隙預(yù)測的特征描述符更具挑戰(zhàn)性和實際性。Chaube 等[26]不僅通過機器學(xué)習(xí)回歸方法預(yù)測了46 970 個未知無機鹵化物鈣鈦礦的帶隙，而且基于隨機森林模型對特征重要性進行排序。結(jié)果表明，外層電子數(shù)、汽化熱、Allen 電負(fù)性、熔點以及沸點等特征在帶隙預(yù)測過程中發(fā)揮著重要作用。

2.1.2 熒光粉發(fā)射/激發(fā)波長

熒光粉材料因其在固態(tài)照明和顯示方面的廣泛應(yīng)用，引起了材料科學(xué)家的研究興趣。特別是，Eu2+摻雜熒光粉具有發(fā)射光譜窄、穩(wěn)定性高以及量子產(chǎn)率高等特點。眾所周知，熒光粉的發(fā)射波長決定著顯示器件顏色的品質(zhì)。機器學(xué)習(xí)方法是一種研究Eu2+摻雜熒光粉發(fā)射波長的全新手段，有助于新型熒光粉的優(yōu)化和設(shè)計。Nakano 等[27]從文獻中收集了288 個Eu2+摻雜熒光粉（包括鹵化物、氧化物以及氮化物等）的發(fā)射波長。根據(jù)熒光粉基質(zhì)的化學(xué)計量信息，他們開發(fā)了基于機器學(xué)習(xí)方法的發(fā)射峰值波長預(yù)測模型，該模型的預(yù)測誤差在139 meV 之內(nèi)?；诖?，他們還結(jié)合當(dāng)前發(fā)射光譜調(diào)諧機制，對該模型進行了理論驗證。不同于依靠經(jīng)驗直覺、愛迪生式的傳統(tǒng)實驗方法，利用數(shù)據(jù)驅(qū)動預(yù)測發(fā)射波長的機器學(xué)習(xí)具有快速、準(zhǔn)確等特點。Lai 等[28]根據(jù)已報道的A3BSi2O7:Eu2+系列熒光粉的實驗發(fā)射波長，利用回歸模型成功預(yù)測了R1-xKxLSO:0.01Eu2+（0 ≤x ≤1）系列熒光粉的發(fā)射波長，并建立起熒光粉晶體結(jié)構(gòu)與發(fā)光性質(zhì)之間的聯(lián)系。與此同時，機器學(xué)習(xí)方法也可預(yù)測無機熒光粉的激發(fā)波長。例如，Barai 等[29]利用原子性質(zhì)相關(guān)的特征描述符表征激發(fā)波長，建立激發(fā)波長與特征描述符之間的映射關(guān)系，通過套索回歸以及人工神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)方法預(yù)測激發(fā)波長，并與實驗數(shù)據(jù)進行了比較。

2.1.3 玻璃形成能力

大多液體材料在特定情況下都可形成玻璃，但是不同材料形成玻璃的能力有所差異。量化玻璃形成能力對于玻璃材料工業(yè)生產(chǎn)和科學(xué)研究都具有重要意義。近年來，機器學(xué)習(xí)方法預(yù)測玻璃形成能力是玻璃物理學(xué)中一個新的研究方向。其中，人們主要關(guān)注非晶態(tài)合金的玻璃形成能力。

臨界冷卻速率是衡量玻璃形成能力的最可靠依據(jù)，但憑借傳統(tǒng)實驗手段往往難以測得，實驗人員常使用臨界鑄造直徑（Dmax）來表征塊體金屬玻璃的玻璃形成能力。例如Liu 等[30]搭建隨機森林、K-近鄰、梯度提升決策樹以及極端梯度提升等四種機器學(xué)習(xí)方法，分別預(yù)測出Dmax，并將其與測量值進行比較。結(jié)果表明，極端梯度提升模型的預(yù)測性能最好。預(yù)測具備良好玻璃形成能力的合金材料，具有重要的實際應(yīng)用意義。例如，Xiong 等[31]首先根據(jù)7種不同機器學(xué)習(xí)分類方法篩選出Dmax 大于或等于5 mm 的化合物，利用回歸方法預(yù)測其Dmax。結(jié)果表明，極端梯度提升模型預(yù)測結(jié)果最佳，其交叉驗證的決定系數(shù)高達(dá)0.801。值得注意的是，循序向后逆向選擇的特征選擇方法被包裝在算法中，實現(xiàn)特征選擇與機器算法的最佳組合。Su 等[32]采用隨機森林算法預(yù)測二元金屬合金的玻璃形成能力，首次提出機器學(xué)習(xí)模型性能的二元合金標(biāo)準(zhǔn)化評價指標(biāo)。上述研究結(jié)果表明，機器學(xué)習(xí)是一種強大的材料性質(zhì)預(yù)測手段，可用于篩選具有良好金屬玻璃形成能力的合金材料。

2.1.4 抗剪強度

抗剪強度是指材料發(fā)生剪斷時的極限強度，是描述材料抵抗剪切滑動能力的重要指標(biāo)。利用機器學(xué)習(xí)方法預(yù)測材料的抗剪強度，將極大降低試驗成本、縮短研究周期，這對工程應(yīng)用和生產(chǎn)生活具有重要意義[33]。近年來，不少研究者開展了此類研究。例如，Wei 等[34]通過搭建人工神經(jīng)網(wǎng)絡(luò)模型，提出一種基于神經(jīng)網(wǎng)絡(luò)的點蝕梯形波形鋼腹板抗剪強度預(yù)測系統(tǒng)。通過適當(dāng)訓(xùn)練和校正，建立影響變量與抗剪強度之間的非線性映射關(guān)系，進而實現(xiàn)不同點蝕參數(shù)下的剪切強度的可靠預(yù)測。材料的抗剪強度預(yù)測一般以鋼筋混泥土為研究對象。例如Mohammed 等[35]基于文獻報道的有關(guān)梁的幾何和混凝土性能參數(shù)的實驗數(shù)據(jù)，利用支持向量機算法，預(yù)測鋼筋混凝土梁的抗剪強度。在實際生產(chǎn)生活中，抗剪強度還可能與材料的使用時間有關(guān)?；诖?，F(xiàn)u 等[36]開展了相關(guān)研究。他們采用梯度提升回歸樹模型預(yù)測任意使用時間下銹蝕鋼筋混凝土的抗剪強度，該模型平均決定系數(shù)大于0.9，具有良好的預(yù)測能力。

2.2 新材料發(fā)現(xiàn)

機器學(xué)習(xí)不僅在材料性質(zhì)預(yù)測上應(yīng)用廣泛，在新材料合成設(shè)計方面也同樣發(fā)揮著重要作用，影響并推動著材料科學(xué)的發(fā)展。下文將簡單介紹機器學(xué)習(xí)方法在稀土熒光材料、鈣鈦礦材料以及催化材料等領(lǐng)域的應(yīng)用情況。

2.2.1 稀土熒光材料

稀土熒光材料因其色彩品質(zhì)高、光吸收能力強、轉(zhuǎn)換效率高、物理化學(xué)性質(zhì)穩(wěn)定等優(yōu)點，在激光、照明、顯示、輻射探測等眾多領(lǐng)域獲得應(yīng)用?；跀?shù)據(jù)驅(qū)動的機器學(xué)習(xí)方法在發(fā)現(xiàn)稀土發(fā)光新材料方面取得多項重要研究結(jié)果。例如，Zhuo 等[37]為了尋找高效熒光粉基質(zhì)材料，利用支持向量回歸方法對熒光粉基質(zhì)材料的德拜溫度進行預(yù)測。同時，利用高通量密度泛函理論計算方法獲得帶隙?；陬A(yù)測的帶隙和德拜溫度，自動識別出帶隙最大、德拜溫度最高的熒光粉基質(zhì)材料是NaBaB9O15。通過合成制備與表征分析，他們發(fā)現(xiàn)晶體結(jié)構(gòu)剛性大小取決于[B3O7]5-陰離子骨架。向其中摻入Eu2+離子，獲得了416 nm 的藍(lán)紫光窄帶發(fā)射（半峰寬為34.5 nm），量子產(chǎn)率高達(dá)95%。基于材料化學(xué)組分、電子結(jié)構(gòu)以及光譜信息，機器學(xué)習(xí)還可以預(yù)測材料的熱穩(wěn)定性、量子效率以及發(fā)射帶寬等性質(zhì)。例如，Wang 等[38]比較9 種常見Eu2+摻雜窄帶紅光氮化物熒光粉的電子結(jié)構(gòu)發(fā)現(xiàn)，Eu2+離子兩個最高4 f能級之間分裂較大。利用該特征描述符對2 259 種氮化物篩選，成功識別出5種基質(zhì)。向其中摻入Eu2+離子之后，熒光粉具有化學(xué)性質(zhì)穩(wěn)定、熱穩(wěn)定性良好、量子效率高、發(fā)射帶寬窄等特點?？傊捎脵C器學(xué)習(xí)或者其他人工智能方法首先識別出高性能稀土發(fā)光材料，然后結(jié)合第一性原理模擬計算方法進行驗證，最后通過實驗制備合成，這一套研究方法有望用于高性能稀土發(fā)光材料的合成設(shè)計。

2.2.2 鈣鈦礦材料

高性能鈣鈦礦的開發(fā)和應(yīng)用一直都是材料科學(xué)領(lǐng)域的研究熱點之一。與傳統(tǒng)實驗手段和第一性原理計算方法相比，基于充分的實驗和理論研究，機器學(xué)習(xí)在尋找高性能鈣鈦礦材料方面發(fā)揮著重要作用[39-40]。例如，Liu 等[41]基于實驗數(shù)據(jù)，選用容忍因子、八面體因子、電負(fù)性等9個主要特征描述符作為機器學(xué)習(xí)輸入變量，利用機器學(xué)習(xí)分類方法對每條輸入數(shù)據(jù)建模訓(xùn)練，分類準(zhǔn)確度達(dá)到94.6%，接著采用梯度提升決策樹算法從891 條數(shù)據(jù)中篩選331 種鈣鈦礦，根據(jù)可成形性概率和凸包能篩選出較為穩(wěn)定的鈣鈦礦材料。Balachandra 等[42]搭建兩個獨立機器學(xué)習(xí)模型，分別用于篩選鈣鈦礦和其中具有新型立方結(jié)構(gòu)的鈣鈦礦。他們利用兩個分層的機器學(xué)習(xí)模型成功篩選出了20 個具有新立方型結(jié)構(gòu)的鈣鈦礦。值得注意的是，近年來，有機-無機雜化鈣鈦礦（HOIPs）引起了材料科學(xué)工作者的廣泛關(guān)注。Lu 等[43]結(jié)合機器學(xué)習(xí)和高通量計算方法成功預(yù)測出HOIPs。根據(jù)皮爾遜關(guān)系圖中14 個最佳材料特征，快速篩選出3 個（C2H5OInBr3、C2H5OSnBr3以及C2H6NSnBr3）帶隙合適、室溫?zé)岱€(wěn)定性良好的無鉛HOIPs，解決HOIPs 的毒性和環(huán)境穩(wěn)定性差等問題。另外，Wang 團隊[44]篩選出了686 個帶隙合適的HOIPs，同時還結(jié)合密度泛函理論計算，驗證了132 個穩(wěn)定無毒的斜菱形HOIPs，為后續(xù)實驗合成提供了有益信息。

2.2.3 催化材料

催化材料在工業(yè)生產(chǎn)中占據(jù)重要地位。傳統(tǒng)實驗研究手段不僅效率較低，而且設(shè)備復(fù)雜，成本代價高，很難滿足不斷發(fā)展的工業(yè)需求。然而，利用機器學(xué)習(xí)方法，可以快速挖掘催化材料的結(jié)構(gòu)與活性之間的關(guān)系，發(fā)現(xiàn)新型催化材料[45]。Huang 等[46]利用人工神經(jīng)網(wǎng)絡(luò)方法模擬催化劑組分和催化性能之間關(guān)系，提出一種混合遺傳算法進行全局優(yōu)化，獲得最優(yōu)的多組分催化劑。這種設(shè)計方法已經(jīng)應(yīng)用于甲烷氧化偶聯(lián)反應(yīng)，最優(yōu)催化劑的C2 烴產(chǎn)率達(dá)到27.78%，實現(xiàn)了當(dāng)時最高產(chǎn)率。Madaan 等[47]研究丁烷氧化脫氫制1，3-丁二烯反應(yīng)，利用數(shù)據(jù)驅(qū)動方法建立特征描述符，預(yù)測1 711 種混合金屬氧化物催化劑的性能，并從中篩選出6 種具有應(yīng)用前景的雙金屬混合氧化物，通過實驗合成驗證該模型的準(zhǔn)確性。以上工作表明，相比于繁瑣耗時的實驗和量子化學(xué)計算方法，機器學(xué)習(xí)方法在發(fā)現(xiàn)高性能多相催化材料[48]方面展示出極大優(yōu)勢，提高了產(chǎn)率。值得注意的是，機器學(xué)習(xí)方法不僅適用于多相催化材料，在均相催化劑方面也占據(jù)重要作用。例如，Janet 等[49]開發(fā)了預(yù)測自旋態(tài)有序性等過渡金屬復(fù)合物的電子性質(zhì)的機器學(xué)習(xí)模型。模型研究了不同的機器學(xué)習(xí)模型，包括人工神經(jīng)網(wǎng)絡(luò)、支持向量回歸和核嶺回歸3 種方法。結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能最佳，該模型將為有效篩選過渡金屬復(fù)合物催化材料提供有力保證。

3 總結(jié)與展望

機器學(xué)習(xí)在材料科學(xué)中的應(yīng)用是計算機科學(xué)和材料科學(xué)的深度融合。它在研究復(fù)雜數(shù)據(jù)之間的關(guān)聯(lián)性方面具有較高的靈活性、泛化性以及準(zhǔn)確性。目前，已被廣泛應(yīng)用于發(fā)光材料、催化材料等各類功能材料研究領(lǐng)域。需要指出的是，機器學(xué)習(xí)方法仍然存在一定的局限性。首先，它是一種基于數(shù)據(jù)驅(qū)動的方法，對數(shù)據(jù)的依賴程度較高。而在材料科學(xué)研究領(lǐng)域，大量數(shù)據(jù)的獲取成本較高且分布不均。利用少量數(shù)據(jù)訓(xùn)練模型則會導(dǎo)致過擬合問題，這將直接影響模型預(yù)測效果。另外，雖然機器學(xué)習(xí)已被應(yīng)用于材料性質(zhì)預(yù)測以及新材料發(fā)現(xiàn)，但是所預(yù)測的結(jié)果仍需實驗驗證，所蘊含的物理化學(xué)規(guī)律仍需深入研究。雖然，機器學(xué)習(xí)方法無法替代傳統(tǒng)的計算和實驗研究，但是隨著理論和方法的進一步完善，機器學(xué)習(xí)方法將會在材料科學(xué)領(lǐng)域獲得更加廣泛和深入的應(yīng)用，為材料科學(xué)研究提供新思路、新方法。