1樓：林錦堅
分享乙個工作。
。作者用貝葉斯優化工具在化學的反應優化進行了研究。從結論上看，貝葉斯優化方法在反應條件方面的應用中，可以篩選出比實驗室實驗更好的化學反應條件。
他們提出一種用於貝葉斯反應優化的新框架，該方法還可讓方便化學科研人員將最新的優化演算法整合到他們的實驗實踐中。
2樓：紀淘淘
未來或許可以建立乙個有機化學反應庫
不斷換反應條件換底物得到乙個反應途徑基數（如果有上述的資料庫的話方便很多）
再通過深度學習得出最佳的反應條件或者總結出其他規律
或許可以做到指哪兒，打哪兒？（隨心所欲的得到目標產物想想就爽啊！）
但事實是，對於有機反應來說不同個體（操作者） 不同地點（溫度和濕度的影響）造成的反應結果差距很大
現在的反應顯然還達不到完全機械化，隨便乙個不可控的因素就會導致結果大相徑庭，怎麼確保計算機學習結果的可靠性？
再乙個問題是如何確保有乙個龐大的反應基數？乙個博士生日以繼夜的做反應也達不到年產1000，還不算那些失敗的反應也不考慮重現性。
完全解決掉上述問題顯然是需要時間的，不過還是看好這個方向的前景的
3樓：
DeepChem
學one-shot之餘灌一發
Low Data Drug Discovery with One-shot Learning
2023年更新：
Tom Miller III組開發的MOB-ML！
4樓：李力
2023年再次更新
我們最近的工作在PRL上發表了
我們展示了物理計算本身就可以對其中的機器學習模型起到正則化的作用。我們將Kohn-Sham自洽方程的求解作為乙個可微分程式（differentiable program），在求解方程的同時用神經網路來學習exchange-correlation泛函。物理計算本身帶來的正則化極大地增強了模型的泛化能力。
我們最近的乙個工作在nature communications上發表了
Bypassing the Kohn-Sham equations with machine learning
用機器學習近似密度泛函，推廣到了三維的真實分子。我們用機器學習結合DFT的方法做了乙個Malonaldehyde Proton Transfer的模擬。
以前我們在toy system上研究了其可行性
Finding Density Functionals with Machine Learning
Understanding machine‐learned density functionals
推廣到了所有的一維系統，從分子到熱力學極限，包括強關聯體系
Pure density functional for strong correlation and the thermodynamic limit from machine learning
我2023年10月加入了Google Accelerated Science Team 希望用google積累的機器學習的技術，來解決自然科學的問題，加速自然科學領域的發展。 @到處挖坑蔣玉成 回答中提到的google的兩篇文章就是我們組發的。
5樓：
Cheminformatics/Bioinformatics? 我並沒有Cheminformatics的背景，假如考慮後者的話，很多很多。不知道可不可以隨意設想乙個題目，例如genetic algorithm可以給小分子建庫。
或者分子結構本身可以建立資料庫，然後各種ML/Big Data的技術去挖庫就是乙個很典型的利用了。
再舉個例, multi-agent system和普通的robotics結合，應該可以提高實驗室的自動化程度。獻醜了。
6樓：枯槐聚蟻
樓上已經提到過 Machine Learning Potential，用ab initio的計算結果擬合出足夠精確的力場。這種方法能夠成功的原因是找到合適的representation，在旋轉，平移，交換同種原子時保持不變，同時還可以求導（用於擬合原子間的力）。最近也有人用這類representation加上化學資訊學中的 descriptor來擬合材料的性質。
還有用ML來擬合泛函的，Burke組，就是PBE中的B，發過幾篇PRL, PRB
還有個小應用感覺很有意思：通過NLP從文獻中獲取結構化的資訊，省去了手動搭建模型的麻煩
7樓：
搜chemometrics.化學大資料結合machine learning已經很多人做過了，和ann等各種結合也十分常見。
8樓：田淵棟
去Arxiv上搜下就可以看到，舉幾個例子：
[1703.01925] Grammar Variational Autoencoder
[1701.01329] Generating Focussed Molecule Libraries for Drug Discovery with Recurrent Neural Networks
請問如何將大資料與人工智慧融合，銜接？
瞎掰大資料 大資料 雲計算和人工智慧，三個是資訊社會中的生產資料 生產工具和生產關係。人工智慧最後一定會場景化，提供實際服務為核心，逐步替代和提高人的能力。就像蒸汽機一樣，通過造汽車 輪船和機器一樣。 檸檬科技大資料 人工智慧的概念是1956年提出的，為什麼前60年默默無聞，近幾年突然橫掃科技圈？因...
深度學習對人工智慧的發展做了什麼貢獻？
如果是奔著強人工智慧去的，那麼結果會很失望，但如果只是為了某些具體的功能去的，那麼深度學習還是有它的作用的，對強人工智慧來說，深度學習不是核心，但可以是外圍的乙個重要技術。 最後總結下各位的看法吧，深度學習的本質就是數學模型在支撐的，你要做什麼事情就去建立相關合適的數學模型，深度學習只是解決問題的一...
深度學習能否最終實現人工智慧（機械人）？
老紀聊電腦 人工智慧包括兩個階段 第一階段 現階段 是高階機器 第二階段才是智慧型機器。深度學習只是自動尋找樣本特徵去訓練神經網路的機器學習演算法，它沒啥 智慧型 未來，當機器能夠自我認知 推理 自主學習 思考時，才是真正的人工智慧機械人時代。但是，那時機器可以在數秒內學會超過人類學習一輩子的知識，...