Nature和Science相繼發表才知道人工智能“AlphaGo”已經在材料化學領域做出了這么多貢獻！

人工智能是近年才逐漸進入人們視野的一門學科，一項技術。提到人工智能，很多人第一個想到的可能就是2017年5月27日的那場與柯潔人機大戰，以3比0的總比分擊敗當時世界排名第一的柯潔。AlphaGo是一款圍棋人工智能程序，而能使它越戰越勇的秘訣就是“深度學習”。“深度學習”是指多層的人工神經網絡和訓練它的方法。一層神經網絡會把大量矩陣數字作為輸入，通過非線性激活方法取權重，再產生另一個數據集合作為輸出。這就像生物神經大腦的工作機理一樣，通過合適的矩陣數量，多層組織鏈接一起，形成神經網絡“大腦”進行精準復雜的處理，就像人們識別物體標注圖片一樣。

而如今這種技術已經應用于越來越多的領域，尤其是它可以合成前所未有的新材料并預測各種化學合成。而用于化學合成起源于1967年Elias James Corey提出了具有嚴格邏輯性的“逆合成分析原理”，以及合成過程中的有關原則和方法。按照他的原理，使很多合成難度較大的有機化合物，得到較高的收率而獲得成功。Corey還開創了運用計算機技術進行有機合成設計。按照他的原理，他和他的學生衛普克編制了第一個計算機輔助有機合成路線設計程序(DCSS)。由于Corey提出有機合成的“逆合成分析方法”并成功地合成50多種藥劑和百余種天然化合物，對有機合成有重大貢獻，而獲得1990年諾貝爾化學獎。

在web of science數據庫通過對關鍵詞“machine learning”和“deep neural networks”檢索，篩選關于材料化學能源領域發現，關于機器學習已經發表了6335篇

而且發表論文數也成逐年上升的趨勢。而深度神經網絡相關也有831篇。

注：由于數據庫中有很多重疊部分，比如說有些文章是有關材料化學的但是文章題目沒有體現，web of science在分類時會把它分到計算機相關方向，這樣也就造成了數據存在不準確性，而我們仍然統計只是說明材料化學領域人工智能相關研究一直處于上升階段，也為了更直觀的表達，所以讀者朋友們對數據有不同看法的可以和我們聯系，我們一定認真聆聽教誨！

而近兩年各大頂級期刊更是爭先發表機器學習合成新材料、預測化學合成的成果，比如近期Science和Nature相繼發表了關于人工智能預測化學反應的研究。

上圖是普林斯頓大學Abigail G. Doyle、Merck Sharp & Dohme公司Spencer D. Dreher等人發表在Science上題為“Predicting reaction performance in C–N cross-coupling using machine learning”的成果，研究小組證明了機器學習可以用來預測多維化學空間中合成反應的性能，使用通過高通量實驗獲得的數據。通過創建腳本來計算和提取原子，分子和振動描述符，用于鈀催化的Buchwald-Hartwig芳基鹵化物與4-甲基苯胺在各種潛在抑制添加劑存在下的交叉偶聯反應。使用這些描述符作為輸入和反應產量作為輸出，表明隨機森林算法提供了比線性回歸分析顯著改進的預測性能。

相對于Science這篇文章，Mark P. Waller等人發表在Nature上這篇文章（Planning chemical syntheses with deep neural networks and symbolic AI,DOI: 10.1038/nature25978?）反應類型更加全面，研究小組利用逆向合成法，對現存的1000多萬個反應體系構建神經網絡，根據產物能預測推算合成反應，而且比之前傳統的計算方法快30倍以上。“逆向合成是有機化學的終極學科，化學家需要數年才能掌握它——就如同下棋一樣，除了學習專業知識，還需要很好的直覺和創造性。”這是論文作者采訪時說的話，而通過逆向合成，越來越多的反應被人們掌握。

國內關于這方面的研究也在不斷進入白熱化階段，前不久西安交大孫軍教授、丁向東教授團隊提出了一個基于機器學習技術的材料設計方法，并應用于加速設計開發新型壓電材料。這一設計思路是一個由數據采集、統計模型、實驗設計、結果反饋組成的循環回路；通過對回路的多次循環，實現對材料目標性能的快速優化。區別于以往以預測結果為導向的實驗設計，上述循環最大的不同之處在于利用預測結果的不確定性（uncertainty）進行實驗設計，僅僅通過三組實驗就成功開發了一種具有高電致應變的無鉛壓電材料。同時，本文還比較了不同的實驗設計策略，發現平衡考慮預測值與不確定性的策略在材料開發中更加高效。（Accelerated Discovery of Large Electrostrains in BaTiO₃-Based Piezoelectrics Using Active Learning，DOI:?10.1002/adma.201702884）

新材料的合成也并不陌生，早在2016年美國西北大學工程系和Los Alamos國家實驗室將機器學習和密度泛函理論計算相結合，為新材料的設計創造出指南，并指出材料所具有的一些實用電性能，如鐵電性能和壓電性能。課題組通過建立數據庫，在所調查的3000種以上材料中，數據科學方法發現了超過200種可能的理想材料。而通過機器學習分析，就將可能的理想材料縮小至19種（Learning from data to design functional materials without inversion symmetry,DOI：10.1038/ncomms14282）。

不得不承認，人工智能時代已經來臨，它們的工作有些時候人力真是無法企及。有些人會發出疑問，如果人工智能發展成熟，那么我們這些傳統從業人員是否會被取代？對于這個問題現在回答還為時過早，人工智能雖然前景巨大，但是有一點可以肯定的是人的思想和創造力是獨一無二的，人工智能更應該成為我們探索未知領域的工具，減少失敗的成本。試想一下，誰會有時間和精力去驗證上萬個甚至十萬個反應的正確性呢？人工智能對于這些來說意義非凡，好好利用這一工具或許可以將某一領域的研究進程推進數十年！

本文由材料人Allen供稿，材料人整理編輯。

材料人專注于跟蹤材料領域科技及行業進展，這里匯集了各大高校碩博生、一線科研人員以及行業從業者，如果您對于跟蹤材料領域科技進展，解讀高水平文章或是評述行業有興趣，點我加入編輯部大家庭。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。

投稿以及內容合作可加編輯微信：cailiaokefu。

如果您想應用材料計算甚至高通量材料計算，歡迎您使用材料人計算模擬解決方案。材料人組建了一支來自全球知名高校老師及企業工程師的科技顧問團隊，專注于為大家解決各類計算模擬需求。如果您有需求，歡迎掃以下二維碼提交您的需求。或點擊鏈接提交，或直接聯系微信客服（微信號：iceshigu）