机器学习已经在图像识别、机器翻译等方面得到了广泛应用。近年来,材料科学领域也开始利用机器学习构建预测模型,从材料的晶体结构预测其物理化学性质。这种方法已经在很多文献得到了证明,用于预测带隙、离子传导率、熔点等性质。然而,现有的工作对模型的构建过程少有涉及,而少数有关工作又使用的是纯粹统计学的方法,计算量非常大。另一方面,虽然机器学习可以用于发现结构与2性质之间的关系,总会有特例存在,而这些特例往往能让我们对底层的物理原理有更好的理解。因此,对这些特例的研究会很有帮助。本工作^（1）中,我们建立了一个机器学习模型,从晶体结构预测HSE带隙。数据来自我们学院自己构建的MG数据库。我们分析预测结果,寻找预测性能不好的结构的共同点,据此改进我们的模型。通过不断迭代这个过程,我们用更小的计算量得到了一个表现良好的模型。然后,我们对预测误差仍然较大的结构进行具体分析,发现了一些特殊的结构基元或其他特异性。我们选择了一个特殊结构,AgO2F,进行了具体分析,这个结构中同时存在着发现其中同时存在着Ag³⁺和O₂^2-。我们发现其费米能级附近的能态基本都由O的非键2p轨道贡献,这些轨道与Ag的轨道杂化很少,导致其带隙很小。机器学习具体的模型构建使用开源的scikit-learn和lightgbm库,其他的数据处理,尤其是特征构建,均自行编写python脚本实现。使用PWmat进行具体理论计算,使用Vesta进行晶体结构可视化和分析。