本文探讨了机器学习在发现新型透明导电材料（TCMs）时面临的数据数量和质量不足的问题。研究提出了一种数据驱动的框架，通过建立实验数据库和评估机器学习模型，推动新材料的发现。结果表明，机器学习能够识别相似材料并挖掘被忽视的潜在材料。

本文介绍了基于云平台的材料科学机器学习工具包，旨在通过数据共享和后处理提取新特性。重点分析了Open MatSci ML工具包、M2Hub和MatSci ML基准等，探讨了不同机器学习技术在材料科学中的应用及其性能，特别是转移学习和外推模型在新材料发现中的潜力。

人工智能（AI）技术在材料科学中的应用加速了新材料发现的关键过程。AI可以预测稳定结构、优化交换关联泛函、加速计算、优化参数、预测物性、校正误差、模拟大规模系统、整合实验数据、自动化工作流程、解释和可视化结果，甚至反向设计材料结构。AI与密度泛函理论（DFT）的深度融合正在改变材料科学研究的范式，但仍需高质量数据、合适算法和深刻理解基本原理的支持。