排在前十位的还有：解读忌惮迪士尼、阿迪达斯、微软、索尼、佳能、米其林、奈飞和博世。
文献链接：高通Factorscontrollingsurfaceoxygenexchangeinoxides(Nat.Commun.,2019,DOI:10.1038/s41467-019-08674-4)本文由材料人计算组大兵哥供稿，材料牛整理编辑。结果表明，背后通过抑制(La,Sr)O端和稳定高活性CoO2端，可以显著提高氧交换性能。
图二：解读忌惮(001)-SrO-端和CoO2端的不同ORR中间体（a）包括SrO端LSC表面的氧吸附、氧离解和氧结合反应的产物。O2在Sr(La,Sr)o端和CoO2端的扩散和吸附为该模型限速步骤，高通并预测了稳定SrO表面上的交换率。这意味着人们目前无法预测哪种材料或表面将是最活跃的交换材料，背后也无法抑制最佳材料的合理设计。
尽管进行了大量的实验和建模工作，解读忌惮对混合导电氧化物表面氧交换的定量分子研究仍然难以实现。高通该成果近日以题为Factorscontrollingsurfaceoxygenexchangeinoxides发表在知名期刊Nat.Commun.上。
【研究背景】在固体氧化物燃料电池（SOFC）阴极中，背后氧交换的正向过程是氧还原反应（ORR），它将气态氧气转化为阴极中的固态氧气。
【成果简介】近日，解读忌惮威斯康星大学麦迪逊分校DaneD.Morgan教授建立了具有代表性的阴极材料La0.5Sr0.5CoO3-δ中氧交换的定量基本反应模型。对错误的判断进行纠正，高通我们的大脑便记住这一特征，并将大脑的模型进行重建，这样就能更准确的有性别的区别。
然后，背后使用高斯混合模型对检测到的缺陷结构进行无监督分类（图3-12），并显示分类结果可以与特定的物理结构相关联。3.1材料结构、解读忌惮相变及缺陷的分析2017年6月，解读忌惮Isayev[4]等人将AFLOW库和结构-性能描述符联系起来建立数据库，利用机器学习算法对成千上万种无机材料进行预测。
最后，高通将分类和回归模型组合成一个集成管道，应用其搜索了整个无机晶体结构数据库并预测出30多种新的潜在超导体。在数据库中，背后根据材料的某些属性可以建立机器学习模型，便可快速对材料的性能进行预测，甚至是设计新材料，解决了周期长、成本高的问题。
