利用机器学习技术估计电子带隙能量并基于可量化的实验性质预测材料的带隙类别。通过将数据集分成多个聚类群组，提出了一种改进简单回归分类模型性能的方案，从而在材料科学中比较基于机器学习的模型。该方法在新的评估指标下显示出更好的性能，无需 DFT 计算或材料结构的先验知识。

通过高通量工作流结合机器学习和人类专家直觉，成功合成和表征了两种新型介电材料CsTaTeO6和Bi2Zr2O7。机器学习方法在能带间隙和介电常数之间的倒数相关性方面表现出良好的性能。这是机器学习指导的多目标材料优化在实验合成和表征方面的首个成功案例。