目前很多店面都存在相互模仿和形象雷同的情况，氢动消费者很难第一时间寻找到差异性和不同点。
发展了多种制备有机纳米结构的方法，预测并借此开发了多种低维有机纳米功能材料，包括多色发光、白光材料以及光波导和紫外激光器材料等。主要从事仿生功能界面材料的制备及物理化学性质的研究，氢动揭示了自然界中具有特殊浸润性表面的结构与性能的关系，氢动提出了二元协同纳米界面材料设计体系。
中国化学会副理事长、预测中国国际科技促进会副会长、预测中关村石墨烯产业联盟理事长、中关村科技园区丰台园科协第三届委员会主席、教育部科技委委员及学风建设委员会副主任和国际合作学部副主任。氢动1996年进入日本科技厅神奈川科学技术研究院工作。O活性位点的活性不仅可以通过用其他TM原子代替最接近的原子（Ti）来调节，预测而且可以通过在其第二最接近的位点产生O空位来调节。
对于纯PtD-y供体和掺杂的受主发射，氢动最高的PL各向异性比分别达到0.87和0.82，氢动表明供体的激发各向异性能可以有效地转移到受体上，并具有显著的放大作用。他先后发现了分子间电荷转移激子的限域效应、预测多种光物理和光化学性能的尺寸依赖性。
藤岛昭，氢动国际著名光化学科学家，氢动光催化现象发现者，多次获得诺贝尔奖提名，因发现了二氧化钛单晶表面在紫外光照射下水的光分解现象，即本多-藤岛效应（Honda-FujishimaEffect），开创了光催化研究的新篇章，后被学术界誉为光催化之父。
文献链接：预测https://doi.org/10.1021/acsnano.0c012983、预测NanoLett:层状石墨烯用于定量分析锂离子电池介电层集电器的界面性能北京大学刘忠范院士和彭海琳教授等人证实了基于石墨烯设计的Al集电器/电解质界面处增强的防腐性能，石墨烯表层使商用铝箔用作LIB中的正极集电器时具有与电解质和电极材料几乎理想的界面。氢动利用机器学习解决问题的过程为定义问题-数据收集-建立模型-评估-结果分析。
深度学习是机器学习中神经网络算法的扩展，预测它是机器学习的第二个阶段--深层学习，深度学习中的多层感知机可以弥补浅层学习的不足。实验过程中，氢动研究人员往往达不到自己的实验预期，而产生了很多不理想的数据。
另外7个模型为回归模型，预测预测绝缘体材料的带隙能（EBG），预测体积模量（BVRH），剪切模量（GVRH），徳拜温度（θD），定压热容（CP），定容热容（Cv）以及热扩散系数（αv）。氢动这些都是限制材料发展与变革的重大因素。