现代工程应用正在推动定制有多功能特性的异质材料的需求。通常，这些性质取决于微观结构。近年来，人们一直将注意力集中在对微结构敏感的设计上。这里所说的设计就是确定能产生所需性能的定制微结构。但如何利用机器学习建立这一设计的途径尚待深入研究。
来自美国爱荷华州立大学机械工程系的Soumik Sarkar教授和Baskar Ganapathysubramanian教授等，训练了一种形态分类器，可将有机光伏形态和短路电流关联到一起。他们测试了几种深度和宽度不同的学习框架，这些学习框架可以从给定的一组形态及其标签中学习，最后的结果发现该学习框架具有很高的准确性和F1得分。
为了区分这些同样表现良好的模型并对它们进行排序，作者使用了两个额外的附加度量。首先是揭示习得的结构-性质关系的概括性。他们确定了网络架构，可以用可用的数据集概括地图，并根据“将未看到的形态投射到已学习过的分布上”的能力进行量化，并做出了良好的预测。其次是可解释性。这是理解工程系统行为的相当重要的指标。
他们引入了一种称为DLSP(结构属性查询深度学习)的方法，用于从数据中学习结构-性能之间的构效关系。作者认为这种方法可广泛应用于各种对微结构敏感的设计问题。该文近期发表于npj Computational Materials 5: 95 (2019)。