在发表于的评论中在《工程》杂志，科学家们探索了新兴的机器学习(ML)领域及其在化学中的应用。这篇题为“化学机器学习：基础知识和应用”的综合综述旨在弥合化学家和现代机器学习算法之间的差距，深入了解机器学习在彻底改变化学研究方面的潜力。

在过去的十年里，机器学习和人工智能(AI)取得了长足的进步，使我们距离智能机器的实现更近了一步。深度学习方法和增强的数据存储能力的出现在这一进步中发挥了关键作用。机器学习已经在图像和语音识别等领域取得了成功，现在它在以复杂数据和多样化有机分子为特征的化学领域获得了极大的关注。

然而，由于不熟悉现代机器学习算法，化学家在采用机器学习应用程序时经常面临挑战。化学数据集通常表现出对成功实验的偏见，而平衡的观点需要包含成功和失败的实验。此外，文献中合成条件的不完整记录也带来了额外的挑战。

计算化学可以通过量子力学计算可靠地构建数据集，因此更容易接受机器学习应用。尽管如此，化学家需要对机器学习有基本的了解，才能利用数据记录和机器学习引导实验的潜力。

本综述可作为流行化学数据库、ML模型中使用的二维(2D)和三维(3D)特征以及流行ML算法的介绍性指南。它深入研究了机器学习取得重大进展的三个特定化学领域：有机化学中的逆合成、基于机器学习势的原子模拟和多相催化机器学习。

这些应用程序要么加速了研究，要么为复杂问题提供了创新的解决方案。审查最后讨论了该领域未来的挑战。

计算设施的快速进步和新机器学习算法的发展表明，更令人兴奋的机器学习应用即将出现，有望重塑机器学习时代化学研究的格局。虽然在这样一个快速发展的领域很难预测未来，但不可否认的是，机器学习模型的发展将提高可访问性、通用性、准确性、智能性，并最终提高生产力。

机器学习模型与互联网的集成为在全球范围内共享机器学习预测提供了一个有前景的途径。

然而，由于涉及不同的元素类型和复杂的材料，机器学习模型在化学中的可转移性提出了共同的挑战。预测通常仅限于本地数据集，导致数据集之外的准确性降低。

为了解决这个问题，人们正在探索诸如全局神经网络(G-NN)潜力和具有更多拟合参数的改进机器学习模型等新技术。虽然数据科学领域的机器学习竞赛产生了出色的算法，但化学领域需要更加开放的机器学习竞赛来培养年轻人才。

令人兴奋的是，端到端学习从原始输入而不是设计描述符生成最终输出，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3D结构。同样，在多相催化领域，端到端的人工智能模型已经成功解析了反应路径。这些先进的机器学习模型还可以有助于开发用于高通量实验的智能实验机器人。

随着机器学习领域的不断快速发展，化学家和研究人员了解其在化学中的应用至关重要。这篇评论是宝贵的资源，全面概述了机器学习的基础知识及其在各个化学领域的潜力。随着机器学习模型的集成和科学界的集体努力，化学研究的未来前景广阔。

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：