编辑 | KX
AI 工具的强大功能
AI 工具的功能令人难以置信。然而，如果你想要深入了解其运作方式，通常会毫无头绪。AI 常常被视为「黑匣子」。
AI 在化学中的应用
对于化学来说，AI 可以帮助我们优化分子，但它[ N ; 2 v : D无法告诉我们为何这是最佳D y D ; Z的——重要的是什么特性、结构和功能？
伊利诺伊大学厄巴纳-香槟分校的研究v v A b m 1 G I创新
近日，伊利诺伊大学厄巴纳-香槟分校= d g , t J : 7 D（UIUC）的一个跨学科研究团队打开了黑匣子。研究人员通过将 AI 与自动化学合成和实验验证相结合，找到了 AI 所依赖的化学原理，从而改进用于收集p k _ 8 ! Z – ) v太阳能的分子。
该研究发现了比现有分子稳定四倍的捕光分子，同时给出了使其保持稳定的重要见解——这是一个阻碍材料开发的化学问题; C f ` F [ –。
闭环转移（CLT）
研究人员提出将闭环实验与6 ! I w基于物理的特征选择和监督学习集( . K ~成，称为「闭环转移」（Closed-loop Transfer，CLT)，可以在优化目标函数的同时产生化学见解。
黑匣子变透明
「通过我们的过4 l 2 Q程，我们确定了是什么赋予这些分子更高的光稳定性。我们把 AI 黑匣子变成了一个透明的玻璃球。」伊利诺伊大学厄巴纳-香槟分校化学教授 Nicholas Jackson 说。
发表与影响
相关研究以「Closed-. ` ] = v 0 _ 4 eloop transfer enables artificial intelligencV G )e to yie& / l Y P = Xld chemical knowledge」为题，于 8a h # V v c d \ 月 2– K _ W y I 9 – T8 日发表在《Nature》上。
AI 引导的闭环实验
AI 引导的闭环实验平台在加速科学发现方面显示出巨大潜力。但目前还无法利用闭环优化策略来获取全新的化学知识。
光稳定性是一种普遍存在的化学功能，目前缺乏通用的化学设@ 5 X C a计原则。化学知识的缺乏限制了有机光伏、染色聚合物、太阳能燃料和荧光染料等领域的进展。
此前对分子光稳定性的研究主要集中在最低激发三重态 (T1) 的8 o e ^ j V G M O能量学及其与键解离能的关系上，但在分散的化学类别中研究有限。最近的研究表明，较高能量的三重态 (Tn? k I ^ ] c H e (, n > 1) 也适用于较窄的化学类别，但仍2 R %然缺乏通用; j 1 G , i c R H的设计原则。
闭环范式有望在传统方法未能实现的光稳定性方面取得突破。为了实现这一愿景，需要从闭环策略中提取知识的新方法，然后 AI 才b A = | k J – M能产生可解释的假设并增强科学) b h m : q \ c家对光稳定性和分子功能的根本理解。
「三段式」AI 方法用于化学研究
该研究的目标是L % ! p D e，如何改进有( Q *机太阳能电池，这种电池基于薄而柔韧的材料，而不是现在遍布屋顶和田野的刚性、沉重的硅基电池板。
「阻碍有机光伏电池商业化的是稳定性问题。高性能材料在暴露于\ g & . O # w光线下时会降解，而这并不是太阳能电池所希望的，」UIUC 化学和生物分子工程A \ 0 6 n | _ 5 q教授 Ying Diao 说w k m * 9 \ : t ^。「它们可以以硅无法实现的方式制造和安装，也可以将热量和红外光转化为能量，但自S 4 x h j \ 20 世纪 80 年代以来，稳定性一直是一个问题。」
在此，伊利诺伊大学厄巴纳-香槟分Y 1 n X校研究团队提出了一种三阶段方法，该方法在展示化学知识的同时，还优化了广泛化学空间中的分子功能。
第一阶段是机器学习 (ML) 驱动的假设生成：应用贝叶斯优化 (BO) 来提高光稳定性，直到性x U / = u \ t B p能指标达到稳定状态，并使用基于物理的分子特征出现3 [ \ l p 9 K 5 ML 衍生的假设。
第二阶段是假设检验：通过实验验证 ML 得出的假设，来建立新发现的化学知识。
第三阶段是物理驱动的发现：将新的基于物理的知识应用于化学设计空间，人# s A I为驱动，突破优化瓶颈\ X U – Y & [。
图示：CLT 范式。（来源：论文）分子的光稳定性提高四倍
在多轮闭环合成和实验表征中，AI 算法给出了建议，说明应e # \ a 1 $ &合成和探索哪些化学物+ q V n N o `质。每一轮后，新的数据都会重新纳入模型，然后模型给出改进的建议，每一轮实验都会更接近预期的A n p结果。
研究人员在五轮闭环实验中产生了 30 种新的化学候选物。
重B K e r m要的是，通过对 2C c * : : +,200 个潜在分子的总空间采样不到 1.5%，排名前五位分子的平均光稳定性提高了 500% 以上，这一结果与之前的理论预测一致。
第一阶段机器学习驱动的假设生成– j Z O ( h g O
图示：第一6 R u阶段机器学习驱动的假设生成} $ = !。（来源：论文）
研究结果
- 与传统的 T1) e X R O x C 能量光稳定性描述符相反，高能 TDOS 成为整个化学O X o $ 6 Z a G空间中分子光稳定性的主要决定因素。
- 该见解在第四轮 BO 后出现，并在第五轮后得到证实。
- ML 模型的收敛与分子光稳定性的稳定期相吻合，标志着 BO 实验的结束。
模块化化学方法
- 补充了y P 3 i ? J z x ?闭环实验。
- AI 算法获取具有最大学习潜力的新数据。
- 自动分子合成平台快速生成h w E所需新化合物。
应用
- 筛选新化学候选物，比在化学空间中盲目搜索简单。
未来展望
- 解决其他材料系统。
- 研究人员输入想要的化学功能，AI 生成假设进0 ! F |行测试。
参考内容：
以上就是打开AI黑匣子，「三段式」AI用于化学研究，优化分子同时产生新化学知识，登Nature的详细内容！
原创文章，作者:【好易之】如转载请注明出处：https://www.zhengjiaxi.com/zxwd/itzx/117162.html
如有侵权，请邮件联系 aoduoye@qq.com 删除。
本站发布的文章及附件仅限用于学习和研究目的;不得将上述内容用于商业或非法用途，否则后果请用户自负。
本站信息来自网络，版权争议与本站无关。您必须在下载后的24个小时之内，从您的电脑中彻底删除上述内容。
如果您喜欢该程序，请支持正版软件，购买注册，得到更好的正版服务。如有侵权请邮件与我们联系处理。
微信扫一扫 
