材料科学：人工智能化学合成，研究人员开发新的计算机方法

材料科学：人工智能化学合成，研究人员开发新的计算机方法

1996年，当一台计算机赢得了世界象棋冠军加里卡斯帕罗夫的比赛时，这简直就是一种感觉。在国际象棋世界取得这一突破之后，由于其复杂性，棋盘游戏Go长期以来被认为是为人类玩家保留的堡垒。但世界上最好的玩家无法与AlphaGo软件竞争。通过所谓的蒙特卡罗树搜索和基于机器学习和人工智能的深度神经网络的组合，可以实现该计算机程序成功的秘诀。来自德国明斯特大学的一组研究人员现已证明，这种组合非常适合规划化学合成 - 所谓的反复合成 - 具有前所未有的效率。该研究已发表在当前的期刊上自然。

该研究的主要作者Marwin Segler说：“逆向合成是有机化学的终极学科。化学家需要多年的时间来掌握它 - 就像国际象棋或围棋一样。除了直截了当的专业知识，你还需要一个很好的直觉部分到目前为止，每个人都认为计算机无法跟上，而没有专家在数万条规则中编程。我们所展示的是，机器本身可以从中学习规则及其应用。文献可用。“

逆向合成是设计化合物生产的标准方法。在精神上倒退，原则是化合物被分解成更小的组分，直到获得基本组分。该分析提供了配方，然后该配方用于在实验室中“前进”以从起始材料开始生产目标分子。虽然理论上很容易，但这个过程在实践中存在困难。“就像国际象棋，在每一步或每一步，你都有各种各样的可供选择，”Segler说。“然而，在化学方面，与国际象棋相比，有更多可能的动作，而且问题要复杂得多。”

这就是新方法发挥作用的地方，将深层神经网络与蒙特卡罗树搜索联系起来 - 这是一个非常有希望的星座，来自不同学科的大量研究人员正在研究它。蒙特卡罗树搜索是一种评估游戏中移动的方法。在每一个动作中，计算机都会模拟许多变体，例如，国际象棋游戏如何结束。然后选择最有希望的举动。

以类似的方式，计算机现在寻找化学合成的最佳可能“移动”。它还能够通过使用深度神经网络来学习。为此，计算机利用了所有已发表的化学文献，描述了近1200万种化学反应。该研究的共同作者，信息系统专家Mike Preuss说：“深度神经网络用于预测特定分子可能发生的反应。使用蒙特卡罗树搜索，计算机可以测试反应是否预测确实会导致目标分子。“

使用计算机来计划合成的想法并不新鲜。“这个想法实际上已经有60年了。”塞格勒说。“人们认为，如国际象棋一样，将大量规则输入计算机就足够了。但这不起作用。化学非常复杂，与国际象棋或围棋相比，它不能使用简单的规则，纯粹逻辑地掌握。除此之外，新反应的出版物数量每10年左右翻一番。化学家和程序员都无法跟上。我们需要智能电脑的帮助。新方法比传统的计划合成程序快30倍，它找到了两倍于分子的潜在合成路线。

在双盲AB测试中，明斯特研究人员发现化学家认为这些计算机生成的合成路线与现有的经过试验和测试的合成路线一样好。“我们希望，使用我们的方法，化学家不必在实验室中尝试这么多，”Segler补充说，“因此，使用更少的资源，他们将能够生产出能够提高我们产品的化合物可能的生活标准。“