很多文章的报道都是由微观而宏观，今日小编讲给大家带来的关于研究人员将人工智能投入到化学预测中的资讯也不例外，希翼可以在一定的程度上开阔你们的视野！y有对研究人员将人工智能投入到化学预测中这篇文章感兴趣的小伙伴可以一起来看看
随着化学技术的进步和化学反应的日益复杂，研究人员坐在实验室的工作台上开始混合化学药品以观察其结果将不再可行。
加州理工学院化学教授汤姆·米勒(Tom Miller);Resnick可持续进展研究所的博士后学者Matt Welborn;化学和化学工程专业的研究生Lixue Cheng开辟了一种新工具，该工具可以使用机器学习来预测试剂反应到试管之前的很久的化学反应。
他们并不是第一个为进行化学预测而开辟的计算工具，但是它确实在已经使用的化学工具上有所改进，这很重要，因为这类预测在该领域中具有很大的影响。
米勒说：“它们使我们能够将潜在的微观特性与我们在宏观世界中关怀的事物联系起来。” 这些预测使我们能够提前知道一种催化剂是否会比另一种催化剂表现更好，并确定新的候选药物。”
他们还需要大量的计算工作。Miller指出，地球上所有超级计算机时间的很大一部分都用于化学预测，因此提高效率可以节省研究人员大量的时间和费用。
加州理工学院研究人员的工作从本质上为预测软件提供了焦点。先前的工具基于三种计算建模方法，分别称为密度泛函理论(DFT)，耦合簇理论(CC)或Møller-Plesset微扰理论(MP2)。这些理论代表三种不同的方法来逼近Schrödinger方程的解，该方程描述了量子力学在其中扮演重要角色的复杂系统。
这些理论中的每一种都有其自身的优点和缺点。DFT是一种快速而又肮脏的方法，它可以使研究人员更快，但准确度却更低。CC和MP2精度更高，但计算时间更长，使用的计算能力也更多。
Miller，Cheng和Welborn的工具将针穿了起来，使他们能够获得比使用DFT创建的预测更准确的预测，并且所需的时间比CC和MP2所提供的时间要短。为此，他们将机器学习算法的重点放在分子轨道的性质上-分子周围的电子云。相比之下，已经存在的工具专注于分子中原子的类型或原子键合在一起的角度。
到目前为止，尽管他们的方法仅用于对相对简单的系统进行预测，但它们显示出了很大的希翼。米勒说，真正的测试是观察它在更复杂的化学问题上的表现。尽管如此，他仍然对初步结果感到乐观。
他说：“如果我们能够使它正常工作，那么对于计算机来研究化学问题的方式将大有裨益。” “我们对此感到非常兴奋。”
这项工作在发表在《化学理论与计算杂志》上的题为“通过分子轨道基础的电子结构的机器学习中的可传递性”中进行了描述。
