年建1999年进入中国科学院化学研究所工作。

对材料成分、加氢相组成和相结构、制备工艺和材料性能之间的关系，进行数据驱动的建模计算，是研究物理可解释性机器学习模型和方法的有效途径。背景介绍材料的性能在很大程度上取决于其物相组成和微观组织结构，站知道而主相的稳定性对于材料实现并保持优异的性能尤为重要。

同时，年建需要建立适用于数据驱动建模和材料设计的数据标准，年建将数据相关信息系统的建设纳入数据应用技术开发和数据驱动相稳定性研究的协同发展之中。可以将偏摩尔Gibbs函数(∂G/dni)T,P,d,nj,…项定义为体系中组分i的化学势，加氢用符号μi表示，加氢即(∂G/dni)T,P,d,nj,…=μi                                         (3)                 (4)由于式（4）考虑了体系中各相物质的量和晶粒尺寸的变化对热力学状态函数的影响，因此该方程既适用于与环境有物质交换的开放性合金体系，也适用于有成分和晶粒尺寸变化的封闭性合金体系。式(5)表明任何改变化学势的因素都会对活度产生影响，站知道这包括了温度、压力、化学环境和晶粒尺寸等。

年建(b)该晶粒的电子衍射花样。对于一个多晶合金体系，加氢其Gibbs自由能G是温度T、加氢压力P和晶粒尺寸d，以及组分相摩尔数的函数，即G=G(T,P,d,ni,nj,nk,…)                                 (1)其中，ni,nj,nk…为体系中组分相i,j,k,…的摩尔数。

本文提出，站知道基于相稳定性物理基础、站知道材料科学认知的计算材料学模型和方法，与机器学习等数据驱动新方法相耦合，增强机器学习模型的物理可解释性，可望大力推进相稳定性理论研究进展，并促进基于性能主导相稳定性的高性能新材料的准确高效设计与开发。

(d)不同掺杂元素、年建不同晶粒尺寸的SmCo7-xMx烧结块体中单相稳定性的预测。面对这么剧烈的博弈，加氢只有三种结果：不是传统压倒电商，就是电商压倒传统，或者平分秋色。

如果要规模化赚钱，站知道它必须具备什么条件?它的模式是什么?它的路径是什么?它的方法又是什么?这样的平台需要具备什么条件?首先，站知道平台必须是真正的平台，你不能自己是某一厂家，自己是某一商家，而是平台投资者和建设者。传统生意越来越难做，年建经销商不知道何时是头。

目前电商的机会点是什么?厂家认识到，加氢不做电商不行了;电商可以赚大钱的传说越来越凶猛;还有相当大一部分足够优秀的厂家还没有传统渠道。他们在思考，站知道EDS为什么有这么大的号召力?其实，站知道不是EDS的号召力大，是互联网风口的号召力大!既然电商风口很明显，为什么现实效果却又那么不尽如人意呢?它的瓶颈究竟在哪里?该怎么突破?照明灯饰行业电商目前的瓶颈在于，实体与电商的博弈中，厂家不愿意放弃传统实体生意孤掷一注发展电商，最多只想求得二者之间的一种平衡。