Forskere gennemgår de hurtige fremskridt inden for maskinlæring for de kemiske videnskaber

Et nyt værktøj ændrer ansigtet på kemisk forskning drastisk - kunstig intelligens. I et nyt blad udgivet i Natur , forskere gennemgår de hurtige fremskridt inden for maskinlæring for de kemiske videnskaber.

Næsten alle teknologiske fremskridt i menneskets historie ledsages af opdagelsen eller udviklingen af ​​nye materialer, fra blanding af kobber og zink til bronze til fremstilling af højkvalitets siliciummikrochips, der driver digital teknologi.

At designe materialer til en specifik efterspørgsel er en overvældende opgave; en tilfældig mix-and-match af atomare byggesten kunne give en hvilken som helst af et uendeligt antal mulige forbindelser. Historisk set opdagelsen af ​​materialer har involveret en kombination af tilfældigheder, intuition, og forsøg og fejl - men alt dette kan ændres takket være kunstig intelligens.

Et internationalt hold af forskere fra Storbritannien og USA, herunder ph.d. studerende Daniel Davies fra Center for Sustainable Chemical Technologies og Institut for Kemi, udgivet en anmeldelse om det voksende potentiale af maskinlæring til kemisk design.

Daniel sagde:"Machine learning er en gren af ​​kunstig intelligens, hvor computere programmeres ved at lære af data. Disse metoder har eksisteret i et stykke tid, brugt i vid udstrækning af Google, Yahoo, Amazon osv., til målrettet annoncering, oversættelse og spamfiltrering f.eks.

"I nyere tid bliver de brugt til at realisere selvkørende bil- og menneskelignende robotteknologi. De er kun lige blevet anvendt til de fysiske videnskaber i stor stil og har enorme konsekvenser for den rolle, computere indtager i videnskaben. Faktisk , brugen af ​​'big data' og kunstig intelligens er blevet omtalt som den fjerde industrielle revolution eller videnskabens fjerde paradigme. Maskinlæring bruges nu til at fremskynde den videnskabelige proces, design af afgørende materialer og molekyler, som vi har brug for til bæredygtig udvikling, hurtigere.

"Hovedformålet med artiklen er at forklare, hvor maskinlæring begynder at stige til specifikke udfordringer inden for molekylær- og materialeforskning, som simpelthen ikke kan løses uden. Vi identificerer også nogle centrale barrierer, som skal overvindes næste gang. F.eks. finde måder, hvorpå kemikalier og forbindelser repræsenteres på computere, der kun 'tænker' i 1'er og 0'er, er en stor udfordring.

"Vores sidste resumé er:'Mens forskere omfavner inkludering af maskinlæring med statistisk drevet design i deres forskningsprogrammer, antallet af ansøgninger vokser ekstraordinært. Denne nye generation af computervidenskab, understøttet af en platform med open source -værktøjer og datadeling, har potentialet til at revolutionere molekylær- og materialeopdagelsesprocessen.' Jeg tror, ​​at dette afspejler budskabet godt om, at vi forudser, at dette område vil blive en integreret del af den videnskabelige metode-ikke kun et separat forskningsområde. "

Mennesker har altid nydt ræsonnement og intuitionsevner, der langt overgår maskinernes. Men forskere begynder nu at vende sig til kunstigt intelligens -drevne løsninger for at fremskynde deres egne materialer til opdagelse og optimering af materialer.

Dr. Keith Butler fra ISIS Neutron og Muon Source, hovedforfatter til anmeldelsen, sagde:"I traditionelle beregningsmetoder, computeren er lidt mere end en lommeregner, ved at anvende en hårdkodet algoritme leveret af en menneskelig ekspert. Derimod udførelsen af ​​maskinlæringsteknikker forbedres ved at se flere og flere virkelige eksempler. "

Maskinlæring og kunstig intelligens giver mulighed for at træne computere ved at bruge egenskaberne af materialer, som vi allerede kender, at hjælpe med at identificere fremtidens mestersystemer. Kunstig intelligens-tilgange overvejer alle tilgængelige data ligeligt og finder tendenser, som en menneskelig forsker kan gå glip af på grund af bias mod en given fortolkning.

Men hvad er det, der driver fremskridtene på dette område? En vigtig drivkraft for eksplosionen af ​​kunstig intelligens i kemi er væksten af ​​open source-databaser.

"Dette er især spændende i forbindelse med en facilitet som ISIS, hvor vi producerer store mængder data, vi sidder på en dataguldmine, og nu begynder vi at kunne udnytte det, " tilføjede Dr. Butler.