作家 | 马雪薇
本年 3 月，宇宙风景组织发布了《2023年众人慷慨情景》答复。随后，古特雷斯称，地球正处于崩溃的角落，化石燃料的混浊让慷慨纷乱达到了“爆表”的水平。
濒临众人当然环境恶化的挑战，发展可再生清洁动力已成为最要害的处置决策之一。
行动新一代的光伏本领，有机太阳能电板（Organic solar cells，OSCs）凭借质轻、透明、柔性、本钱低等优点受到了平素关心，在光伏建筑一体化、可穿着柔性电子器件和物联网开发等边界具有十分宽绰的应用远景。
关联词，自 1980 年代以来，升迁有机太阳能电板的光踏实性一直是一个曲折，这亦然隔断其生意化的要害原因之一。
东谈主工智能（AI）本领有望被用来升迁有机太阳能电板的光踏实性。关联词，由于 AI 是一个黑盒，其是怎么作念出决策的，一直无法解释。
而且，在分子科学前沿，哄骗 AI 产生对化学常识的基智商路，与 AI 指引的优化战略得出骨子收场，两者同等要害。
为此，来自伊利诺伊大学厄巴纳-香槟分校和多伦多大学的盘问团队绽放了 AI 黑盒，为升迁光伏电板的踏实性作念出了进一步的孝敬。
他们将闭环执行与基于物理的特征接管和监督学习重谄媚，淡薄了一种名为“闭环迁徙”（closed-loop transfer，CLT）的新措施，旨在从闭环优化经过中索要和考据物理知悉，并提示化学发现。
据先容，CLT 不错匡助盘问东谈主员快速识别影响计算函数的要津物理特征，从而更好地默契化学征象背后的旨趣。况且，CLT 不错提示执行设想，幸免不消要的执行尝试，从而升迁执行效力。此外，CLT 还匡助盘问东谈主员发现新的化学常识，并为材料设想和药物发现等边界提供新的想路。
干系盘问论文以“Closed-loop transfer enables artificial intelligence to yield chemical knowledge”为题，已发表在巨擘期刊 Nature 上。
论文通信作家之一 Jackson 教悔暗示：“AI 用具具有惊东谈主的力量。然而要是你试图绽放引擎盖了解它们在作念什么，不时你得不到任何有用的信息。AI 不错匡助咱们优化一个分子，但它弗成告诉咱们为什么那是最好接管——哪些是要害的性质、结构和功能。”
盘问收场标明，产生的新式光拿获分子比正本踏实四倍，同期还提供了对于它们为何踏实的至关要害的新想法——这是一个隔断材料开发的化学问题。通过这仍是过，他们详情了是什么赋予了这些分子更大的光踏实性。他们将 AI 黑箱造成了一个透明的玻璃球。
Burke 教悔暗示：“模块化化学措施与闭环执行竣工互补。AI 算法申请具有最大化学习后劲的新数据，自动化分子合成平台不错很是快速地生成新的所需化合物。然后对这些化合物进行测试，数据复返到模子中，模子变得愈加智能——一次又一次。到当前为止，咱们主要关心结构。咱们的自动化模块化合成当前已升级到探索功能的边界。”
绽放 AI 黑盒
AI 黑盒指的是里面使命旨趣对用户不可见的 AI 系统。你不错向它们提供输入并取得输出，然而你弗成查验产生输出的系统代码或逻辑。
在许厚情况下，咱们需要警惕黑箱机器学习算法和模子。假定一个 ML 模子对你的健康情景作念出了会诊，咱们应该知谈模子是怎么作念出决定的。
而在本盘问的边界，了解有哪些决定性身分影响了光踏实性也口角常要害的。科研东谈主员默契分子光踏实性的关心点主要议论在最低激勉三重态（T1）的能量学过甚与键离解能的关系上，而最近的盘问标明，对于有限的化学类别，存在更高的能量三重态（Tn，n>1），但仍然穷乏一般性的设想原则。
盘问团队淡薄的 CLT 措施有望绽放 AI 黑盒，超越传统分析光踏实性的措施，取得冲破。为了完毕这一愿景，在 AI 大要产生可解释的假定并增强科研东谈主员对光踏实性和分子功能的基智商路之前，需要从闭环战略中索要常识的新措施。CLT 不错在广谱的化学空间中优化分子功能，并给出化学常识。
CLT 由三个阶段构成：（1）机器学习驱动的假定生成；（2）执行测试；（3）物理驱动的发现。这三个阶段互相迭代，成为闭环，进而发生轮回。这种迭代轮回对于灵验探索化学空间、识别影响分子特征的要津决定身分至关要害。
图｜CLT 范式。第一阶段（机器学习驱动的假定生成，绿色轨谈）姿色了基于 BO 的合成和表征回合，并同步使用基于物理特征的可解释机器学习。通过机器学习出现基于物理的假定后，第二阶段（假定测试，橙色轨谈）执行性地测试该假定，要是得到考据，将产生新常识，这些常识在第三阶段（物理驱动的发现，红色轨谈）中被用于分子优化。
在这项盘问中，团队通过 CLT 的统共经过，绽放了 AI 黑盒。AI 在闭环优化和常识索要方面施展了要津作用。
举例，AI 通过 GRYFFIN 算法进行贝叶斯优化，提示合成和表征经过，以寻找具有更高光踏实性的分子。BO 算法均衡了探索和哄骗，确保了化学空间的种种性和高效搜索。
其次，AI 西席可解释的 ML 模子，哄骗基于物理的分子特征来预测光踏实性。这些模子不仅识别了高光踏实性的化合物，还论说了分子光踏实性的设想顺次。
此外，AI 还通过物理建模和特征接管，发现了高能三重态态密度 (TDOS) 与分子光踏实性之间的强干系性，这为后续的假定考据提供了基础。
AI 驱动科学新发现
总之，闭环执行，通过使用基于物理特征的可解释的 ML 模子进行了增强，论说了关联分子光踏实性的基本化学常识，同期针对高功能分子计算进行了优化。东谈主机交互、AI 指引的行动产生了本文的假定（30 个分子），其权臣效力成绩于 AI 指引的探索和哄骗的均衡与可解释的基于物理的建模的谄媚。
此外，盘问团队也在进一步评释注解 CLT 平素适用于其他前沿应用和盘问边界，尽头是难以先验预测的低数据状态和多维分子特质。成心义服气，CLT 将成为在假定驱动的发现盘问中哄骗 BO 上风的手册，并通过基于物理的想法得到加强。
科学盘问是一个周而复始的经过，需要盘问者束缚地淡薄假定，进而进行考研。在这一连串的探索中，盘问者承担着无数的执行操作和数据网罗任务。在此经过中，AI 是一个不可或缺的助手，它能在多个身手饰演要害变装。
如今，AI for Science 已成为热议的话题。AI 已在繁多边界展现出其刚劲实力，涵盖了生物制药、新材料研发、前沿物理盘问、慷慨预测、地球模拟和天文探索等多个边界。尽头是在化学边界，AI 的应用更是平素。
2018 年 3 月，一项发表在 Nature 杂志上的盘问展示了 AI 在化学合成中的雄伟后劲。盘问团队整理了往时几十年间发表的 1250 多万个化学响应，并哄骗深度神经集会和蒙特卡洛树算法，得胜设想出新的化学合成道路。这一措施使得设想分子合成道路的时间质问至仅需 5 秒。
2020 年，麻省理工学院（MIT）在海外顶尖学术期刊《细胞》杂志刊登了一篇冲破性的盘问收场，盘问东谈主员哄骗深度学习系统，发现了一种刚劲的新式抗生素化合物。他们通过预计机深度学习系统开发的模子，不错在几天内筛选极度 1 亿个化合物，从而挑选出不同于现存药物杀死细菌机制的潜在抗生素。
本年 2 月，来自北卡罗来纳州立大学、伊士曼化工公司的盘问团队开发了一种名为 Fast-Cat 的自动化执行室。通过谄媚 AI 和自动化本领，Fast-Cat 完毕了催化响应的快速、高效和自动化，不仅不错统统自主连接开动高温、高压、气液响应，还大要分析每个响应的输出收场，在莫得东谈主工干扰的情况下详情不同变量对每个执行收场的影响。它大要在短短 5 天内提供比传统措施 6 个月更多的信息，为化学盘问和工业坐褥提供了全新的可能性。
此外，一个名为“RoboChem”的自主化学合成 AI 机器东谈主，不仅在速率和准确性方面齐优于东谈主类化学家，同期还暴露出了高度的独创性。RoboChem 是一个精准可靠的“AI 化学家”，不仅不错进行全天候的自主使命，快速、不知疲困地提供执行收场，还不错速即优化化学合成经过，进行种种响应，同期产生极极少的废料，有望大大加速用于制药和好多其他应用的分子的化学发现。
预测畴昔，咱们成心义服气，跟着 AI 本领的束缚跨越，它将为化学乃至统共科学边界带来更多改动与变革。
