现在几乎没有什么问题是人工智能和机器学习无法克服的。横滨国立大学的研究人员正在利用这一现代优势来解决传统方法无法解决的问题。

当涉及到含碳(或有机)分子的相互作用时，需要记住许多规则：分子上与其环境相互作用的基团的位置，分子的大小、形状和位置，以及与之相互作用的分子。它是相互作用的。根据这些因素以及更多因素的不同，给定反应的结果可能会非常不同，而预测这些结果已被证明是化学领域的一项相当大的挑战。控制结果是化学合成中非常必要的组成部分，但预测并不总是足够的。

幸运的是，机器学习和人工智能(AI)再次可以通过预测给定反应的速率或选择性来帮助推动进展。因此，该技术可用于预测可预期的产品。

在有机化学中，每个细节都很重要。空间和轨道是影响分子与其他分子相互作用的两个常见区域。位阻是指分子的排列，位阻效应可以决定分子的形状和反应性。这可能是由于分子或单个原子的大小或电荷造成的。轨道是解释电子最可能的位置的一种方式，而电子又可以与其他分子或原子相互作用以引起反应。

这些因素可以极大地改变亲核试剂或供电子反应物可以附着到受体分子上的位置。这被称为“选择性”，根据分子附着的位置，结果可以形成不同的产物或所需产物的产量。研究人员正在利用人工智能和机器学习以及当前的化学反应知识来更好地解释分子选择性的这些方面。

“为了确定哪些信息可以作为人工智能的基本化学信息，有必要将化学知识与人工智能和机器学习知识相结合，”横滨工程学院副教授HiroakiGotoh说。国立大学。

首先，必须向计算机提供一些信息以供其学习。计算化学文献中的信息和先前研究的信息被用来开始人工智能的教学过程。在对所使用的特定分子进行一些手动数据输入并设置最佳参数后，根据测试数据集的预测结果运行数据分析。这些分析允许人工智能根据已知信息学习和预测未来的选择。

该研究的第一作者横滨国立大学化学与生命科学系的DaimonSakaguchi说：“这种方法通过计算模拟接近亲核试剂的球形空间的参数，可以更全面地分析和解释反应机制。”

第323章除了轨道因素之外，选择性还根据分子的空间结构而变化。研究人员发现，对于某些分子来说，轨道因素在决定面选择性方面更为重要，而另一些分子在与其亲核试剂相互作用时则更依赖于分子的空间位阻。

将预测技术和机器学习与现有的化学知识相结合，可以从化学反应中产生更好的结果，并帮助化学家以更简化的方式合成天然产物和药物化学品。

通过使用机器学习和人工智能简化这一过程，可以进行更多的实验。理想情况下，研究人员希望与实验化学家合作设计反应，从而继续开发更具预测性的化学反应技术。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：