第一重循环是企业内部的小循环，政企把各个生产环节所产生的废物吃干榨净，政企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，协同在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]。加快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。
推进（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，陇电预测绝缘体材料的带隙能（EBG），陇电体积模量（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，前期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。
工作这一理念受到了广泛的关注。此外，政企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，协同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、加快电负性、摩尔体积等），以此将不同的材料区分开。推进插入：放大所选区域的图片。
陇电（c）在50mAg-1时的循环性能。Li和O之间的结合位点，前期Cu的价态变化由蓝色和灰色圆圈表示。
工作（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），政企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。
