.png){kind=icon}
返回
Defining chemical problems for artificial intelligence models
.png){kind=icon}
PRE
AI
DOI：10.1002/bkcs.70113.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能已成为化学领域中日益重要的工具，但其影响往往受到化学问题如何定义以适应机器学习的限制。在这篇个人观点文章中，我主张数据集构建在人工智能驱动的化学中发挥着核心作用，不仅作为准备步骤，而且作为形式化新的化学学习问题的手段。我总结了在三个领域构建机器学习准备就绪数据集的最新努力：分子性质预测、条件化分子设计和反应机理预测。整理了实验测量的光学性质数据集，以明确纳入环境背景，使模型能够学习反映真实实验条件的结构-环境-性质关系，并支持功能性发色团的逆向设计。对于化学反应性，通过基于规则的基元步骤推演构建了大规模机理数据集，将整体反应转化为机理预测的监督学习问题。基于序列的反应模型的局限性推动了FlowER的开发，它使用键-电子矩阵将反应表示为电子重新分配过程，并通过构造强制质量守恒，允许直接与量子化学验证集成。这些研究共同阐述了一种统一观点，其中数据集、表示方法、模型和下游工作流程是共同设计的，并由化学直觉指导。通过将数据集构建视为问题定义的一种行为，本文强调了化学家如何塑造人工智能作为化学发现工具的范围和方向。
Keyword:
AI-driven chemistry
chemical data curation for AI
machine learning in chemistry
molecular property prediction
reaction mechanism prediction
期刊
IF:
2.2
论文数:
270
被引数:
4.6K
机构
引用论文
Hydrogeochemical Evolution and Control Mechanism of Underground Multiaquifer System in Coal Mine Area.png)
Geofluids
OAAI
GeofluidsIF0
OAAI分享收藏Effect of molecular representation on deep learning performance for prediction of molecular electronic properties分子表示对预测分子电子性质深度学习性能的影响
PREAI
分享收藏Generative Deep Learning-Based Efficient Design of Organic Molecules with Tailored PropertiesACS CENTRAL SCIENCE
ACS CENTRAL SCIENCEIF10.4
PREAI
分享收藏分享收藏Biological insights into BODIPY and porphyrin-functionalized fluorescent metal-organic macrocyclesBODIPY和卟啉功能化荧光金属有机大环的生物见解
PREAI
分享收藏Learning Pairwise Interaction for Extrapolative and Interpretable Machine Learning Interatomic Potentials with Physics-Informed Neural Network学习基于物理信息神经网络的预测性且可解释的机器学习原子间势能的成对相互作用
PREAI
分享收藏Improved protein structure prediction using potentials from deep learning利用深度学习的潜力改进蛋白质结构预测Nature
NatureIF0
PREAI
分享收藏
查看更多内容