对于Pt-Au合金，感知作者在该文中观察到大量的缺陷特异性溶质(Au)装饰图案，其多样性和复杂性远远超过Cottrell云图的预期。
在风道（基材：电力36℃，空气：6℃，空气流量：1ms-1）中，10-leaf-TEG的φth为73％，每叶片的Pmax为0.38µW。物联网需d）TE-leaf的扫描电子显微镜照片（侧视图）。
f）对比几个文献数据点，建标leaf-TEG的归一化输出性能。同时，准破作者提出了温差利用率φth作为这种新型TEG的性能指标。b-c）在手掌触摸和嘴吹模式下，壁垒其开路电压和相应的Pmax。
感知e）Leaf-TEG与10片背对背TE成对组装。g）在测试条件（Tair=6-29°C，电力Vair=0.15-2.0ms-1，L=5、10、15和20mm）下，最大leaf-TEG的最大Pmax和相应的φth。
作为概念验证，物联网需可穿戴100-leaf-TEG（60cm2）在室温下可以在手臂上产生11µW的功率。
将液态金属将器件连接起来，建标并固定在手腕上，在24℃的环境温度下分别产生1.47mV和0.37µWcm-2的最大电压和功率。以上，准破便是本人对机器学习对材料领域的发展作用的理解，如果不足，请指正。
发现极性无机材料有更大的带隙能（图3-3），壁垒所预测的热机械性能与实验和计算的数据基本吻合（图3-4）。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、感知电负性、摩尔体积等），以此将不同的材料区分开。
需要注意的是，电力机器学习的范围非常庞大，有些算法很难明确归类到某一类。对错误的判断进行纠正，物联网需我们的大脑便记住这一特征，并将大脑的模型进行重建，这样就能更准确的有性别的区别。