Videnskab
 Science >> Videnskab >  >> Kemi

Udforskning af, hvordan konvergensen mellem automatisering og AI omformer forskning i organisk kemi

Data produceret af avancerede robotsystemer, der anvender high-throughput-metoder, behandles ved hjælp af kunstig intelligensmodeller til beslutningstagning. Dette datasæt gennemgår processer med videnopdagelse (grøn linje) og indlejring (blå linje), hvilket muliggør berigelse af AI's forståelse. Efterfølgende gennemgår AI-modellen iterative opdateringer, der danner en kontinuerlig feedback-loop, der forbedrer dens ydeevne og beslutningstagningsmuligheder. Kredit:Science China Press

For nylig, National Science Open magasin offentliggjorde online en anmeldelsesartikel ledet af professor Fanyang Mo (School of Materials Science and Engineering, Peking University) og professor Yuntian Chen (Eastern Institute of Technology, Ningbo).



Forskerholdet foreslog et betydeligt skift i retning af automatisering og kunstig intelligens (AI) i organisk kemi i løbet af det sidste årti. Desuden introducerede de et innovativt koncept:udviklingen af ​​en generativ, selvudviklende AI kemi forskningsassistent.

Landskabet for forskning i organisk kemi har undergået dybe forandringer. Data, computerkraft og sofistikerede algoritmer udgør de grundlæggende søjler i AI-drevet videnskabelig forskning. I de seneste år har de hurtige fremskridt inden for computerteknologi, kombineret med den iterative forbedring af algoritmer, indledt en række paradigmeskift i det videnskabelige domæne. Dette har ført til en komplet revision af konventionelle forskningsmetoder.

Organisk kemi, der i sagens natur er disponeret for at skabe nye stoffer, er unikt positioneret til at trives i denne æra med intelligent innovation. Forskere globalt konvergerer nu i deres bestræbelser på at udforske og udnytte mulighederne for kunstig intelligens i kemi, og dermed antænde bevægelsen 'kunstig intelligens-kemi'.

(A) Vurdering af forskningsgruppens forskellige input i AI-applikationer til organisk kemi. Visualisering gennem (B) forskningsgruppers og (C) instituttets ordskykort, sammen med (D) geografisk fordeling. Kredit:Science China Press

Det akademiske område er i øjeblikket på forkant med en forskningsrenæssance på dette område. Fremtiden byder på store løfter for anvendelsen af ​​videnindlejring og videnopdagelsesteknikker i videnskabelig maskinlæring. Denne innovative tilgang er designet til at indsnævre kløften mellem eksisterende prædiktive modeller og automatiserede eksperimentelle platforme og derved lette udviklingen af ​​selvudviklende AI-kemiske forskningsassistenter.

Inden for organisk kemi åbner begrebet videnopdagelse gennem videnskabelig maskinlæring nye muligheder. Kernen i denne disciplin er forståelsen af ​​reaktionsmekanismer, som ofte involverer komplekse netværk af mellemprodukter, overgangstilstande og samtidige reaktioner.

Traditionelle tilgange til at dechifrere disse mekanismer har været afhængige af kinetiske undersøgelser og isotopmærkning. Men sammensmeltningen af ​​symbolsk matematik med AI er klar til at kaste nyt lys over disse indviklede veje, hvilket potentielt vil transformere både forståelsen og undervisningen af ​​organiske kemiske reaktioner.

Desuden har aspektet af videnindlejring væsentlig betydning fra en organisk kemikers perspektiv. Organisk kemi er fyldt med heuristiske regler, lige fra Markovnikovs regler for elektrofil addition til Baldwins regler for ringlukninger.

Indlejring af disse etablerede principper i AI-modeller ville sikre, at deres forudsigelser ikke udelukkende er datadrevne, men også resonerer med kemikeres intuitive forståelse. Denne integration ville give indsigt, der er både dybere og mere i overensstemmelse med de nuancerede perspektiver af organisk kemi.

Flere oplysninger: Chengchun Liu et al., Transforming organic chemistry research paradigms:flytning fra manuelle anstrengelser til skæringspunktet mellem automatisering og kunstig intelligens, National Science Open (2023). DOI:10.1360/nso/20230037

Leveret af Science China Press




Varme artikler