目前整个过程仍然需要依赖研究人员去手动处理特征值，去做筛查。
非常依赖研究者经验和直觉，极可能遗漏重要信息。
nature去年的子刊他们整出了一个MOD的学习框架，就是一个材料属性预测的机器学习框架。
（《通过特征选择和MOD的联合学习实现有限数据集的材料属性预测》于2021年6月3日刊登在Nature子刊NPJ上）
他们发现要预测材料的振动熵时，反向键长和p价电子是关键特征，但手动识别这些特征需深厚领域知识。
这些数据的提取需要有足够丰富经验的科研民工来做，同时还要确保数据的精确，降低误差，整个过程非常繁琐。
因为我们要做的东西远比他们更复杂，我们要做的是一个更大的，更复杂的模型，特征数据的归纳总结和收集，速度肯定很慢。
毕竟这件事无法像网络空间的数据那样，可以通过特征值剔除，各种办法来确保数据的准确，它的数据用计算机术语来说，从外表看上去是结构化数据，但内核却非常的不结构化。
因此按照我的估计，至少前五年，前五年华为的计算卡都够用。
至于五年之后，华为的计算卡也会与时俱进，加上我们本身也会和华为合作来推进他们计算卡的进度。”
内容未完，下一页继续阅读