本研究提出了一种名为ATOMIC的全自主实验框架，旨在解决二维材料表征中对专家知识和大量训练数据的依赖。该框架利用基础模型实现零-shot特性，能够在复杂条件下准确识别材料特征，单层分割准确率达到99.7%，将显著改变纳米材料研究方式。

本研究提出了一种机器学习模型，可以从有限数量的薄膜XRD模式中准确预测结晶维度和空间群，解决了稀缺数据问题，具有高精度。

MatSci ML是一个用于建模固态材料的新型机器学习基准，基于多个开源数据集，包括OpenCatalyst、OQMD、NOMAD、Carolina材料数据库和Materials Project。它的属性多样性使得实施和评估固态材料的多任务学习算法成为可能，并促进了跨多个数据集开发新的更广义的算法和方法。使用MatSci ML，研究人员能够结合多个数据集的观测结果，进行共同预测共同属性。

《Nature》杂志关注蛋白质设计、深度学习、对抗深度伪造技术等七个技术领域的进展。其中，蛋白质设计利用深度学习算法和人工智能技术设计具有特定功能的蛋白质。深伪检测领域的发展利用AI技术发现和拦截虚假的图像、音频和视频。基于CRISPR的基因编辑疗法被批准用于治疗疾病。脑机接口设备和超级分辨率显微镜技术也取得了进展。纳米材料在纳米尺度上具有独特特性，可以制造出轻质材料和增强催化或储能能力。