在《工程》杂志上发表的一篇评论中，研究人员探讨了机器学习（ML）这一新兴领域及其在化学研究中的应用。文章标题为“化学机器学习：基础与应用”，旨在缩小化学家与现代机器学习算法之间的距离，揭示机器学习在化学研究中的革命性潜力。
过去十年，机器学习和人工智能（AI）取得了显著进展，推动我们向智能机器的实现迈进。深度学习技术的兴起以及数据存储能力的提升在这一过程中发挥了重要作用。机器学习在图像和语音识别等领域已取得成功，现在它在处理复杂数据和多种有机分子的化学领域也引起了广泛关注。
然而，由于对现代机器学习算法的了解不足，化学家在应用机器学习时常常面临困难。化学数据集往往偏向于成功实验，而全面的视角需要同时考虑成功与失败的实验。此外，文献中合成条件的记录不完整也增加了挑战。
计算化学能够可靠地从量子力学计算中构建数据集，因此更容易接受机器学习的应用。
这篇综述提供了对流行化学数据库、机器学习模型中使用的二维（2D）和三维（3D）特征以及常见机器学习算法的介绍。它深入探讨了三个特定的化学领域，其中机器学习取得了显著进展：有机化学中的反合成、基于机器学习的原子模拟，以及多相催化中的机器学习应用。
这些应用要么加速了研究进程，要么为复杂问题提供了创新的解决方案。综述的最后讨论了该领域未来面临的挑战。
计算设备的快速发展和新机器学习算法的出现预示着更多激动人心的机器学习应用即将问世，可能会重塑化学研究的格局。尽管在这个快速发展的领域中，未来难以预测，但毫无疑问，机器学习模型的发展将提升可访问性、通用性、准确性和智能性，最终提高生产效率。
机器学习模型与互联网的结合为全球范围内共享机器学习预测提供了良好的途径。
然而，由于涉及不同元素类型和复杂材料，化学领域中机器学习模型的可转移性面临共同挑战。预测通常局限于本地数据集，导致超出数据集时准确性下降。
为了解决这一问题，研究者们正在探索全局神经网络（G-NN）的潜力以及具有更多拟合参数的改进机器学习模型等新技术。尽管数据科学领域的机器学习竞赛产生了许多优秀算法，但化学领域亟需更多开放的机器学习竞赛，以培养年轻人才。
令人振奋的是，端到端学习技术，即从原始输入生成最终输出，而非依赖设计的描述符，为更智能的机器学习应用带来了希望。例如，AlphaFold2利用蛋白质的一维（1D）结构来预测其三维结构。同样，在多相催化领域，端到端的人工智能模型已成功解决了反应路径问题。这些先进的机器学习模型也助力于开发用于高通量实验的智能实验机器人。
本文来自作者[svs]投稿，不代表立场，如若转载，请注明出处：http://dasbrooksbookkeeping.com/post/3523.html
评论列表（4条）
我是的签约作者“svs”！
希望本篇文章《化学领域的机器学习：原理与实践》能对你有所帮助！
本站[]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：在《工程》杂志上发表的一篇评论中，研究人员探讨了机器学习（ML）这一新兴领域及其在化学研究中的应用。文章标题为“化学机器学习：基础与应用”，...