隨著人工智能技術(shù)的崛起，在化學研究領域，傳統(tǒng)的基于實驗和物理模型的方式正在逐漸與基于數(shù)據(jù)的機器學習范式相融合，加速了化學機制的研究和化學物質(zhì)的發(fā)現(xiàn)。本書對人工智能在化學學科中應用的最新技術(shù)發(fā)展前沿動態(tài)進行較全面的綜合性介紹。首先介紹人工智能和機器學習中的一些核心概念以及醫(yī)藥學中使用最廣泛的人工智能方法；隨后全面深層次地介紹了人工智能技術(shù)在藥物設計、材料性能預測、功能材料分子設計和有機合成路線設計、自組裝化學、天體化學等諸多方面的應用。并討論了人工智能在科學領域中應用的復雜性與困難以及在科學研究中使用人工智能技術(shù)時所面臨的挑戰(zhàn)以及解決方案。
本書可供化學領域的科研人員、高等院校師生閱讀參考，也可作為從事環(huán)境、醫(yī)藥、臨床診斷等專業(yè)技術(shù)人員的參考資料。
第1章 計算機科學家 001
1.1 什么是計算科學？ 001
1.2 什么是人工智能？ 003
1.3 什么是機器學習？ 006
參考文獻 010
第2章 機器如何學習？ 011
2.1 提出問題 011
2.2 收集數(shù)據(jù) 012
2.3 設置算法 014
2.4 訓練流程 016
2.5 克服缺陷 018
2.6 部署算法 021
參考文獻 023
第3章 藥物化學信息學：藥物發(fā)現(xiàn)中的機器學習導論 024
3.1 引言 024
3.1.1 人工智能與機器學習024
3.1.2 有監(jiān)督與無監(jiān)督學習025
3.2 凡事預則立 026
3.2.1 數(shù)據(jù)集收集和管理026
3.2.2 模型構(gòu)建026
3.2.3 主成分分析026
3.2.4 三維空間中的機器學習，“對齊”就是一切027
3.2.5 QSAR 建模的活性范圍和分布027
3.2.6 異常值028
3.3 深度學習和神經(jīng)網(wǎng)絡 029
3.4 數(shù)學基礎 029
3.4.1 “可觀測值”和“特征”029
3.4.2 根據(jù)描述符比較分子031
3.4.3 模型質(zhì)量和統(tǒng)計分析033
3.4.4 過度訓練和良好描述符的特征034
3.5 機器學習方法 034
3.5.1 k - 最近鄰035
3.5.2 線性回歸036
3.5.3 決策樹和隨機森林039
3.5.4 支持向量機044
3.6 總結(jié) 048
參考文獻 048
第4章 非絕熱分子動力學中的機器學習 052
4.1 引言 052
4.2 方法 054
4.2.1 機器學習（ML） 模型054
4.2.2 訓練集生成058
4.2.3 波函數(shù)相位061
4.2.4 相位校正算法062
4.2.5 表面跳躍動力學063
4.3 示例：亞甲基銨陽離子 064
4.3.1 ML 表面跳躍動力學064
4.3.2 能量守恒065
4.3.3 ML 模型的其他工具066
4.4 結(jié)論與展望 070
參考文獻 071
第5章 機器學習在科學中的作用——機械同感？ 076
5.1 引言 076
5.1.1 歷史點滴076
5.1.2 挑戰(zhàn)077
5.2 問題和解決 078
5.2.1 需要多少樣本來訓練AI ？078
5.2.2 正在合并數(shù)據(jù)庫，存在什么困難呢？079
5.2.3 使用化學反應數(shù)據(jù)庫來預測合成路線，但進展甚微�？赡艹隽耸裁磫栴}?080
5.2.4 數(shù)據(jù)庫太大，訓練模型需要花費很長時間。我們又能做些什么呢？081
5.2.5 如何設置參數(shù)082
5.2.6 AI 如何學會一些不存在的東西?083
5.2.7 我訓練的AI 測試非常漂亮，但現(xiàn)在正在制造垃圾084
5.2.8 AI 解決了方框5.4 中的挑戰(zhàn)，它是如何做到的？085
5.2.9 AI 認為籃球運動員導致了全球變暖086
5.2.10 AI 結(jié)果顯示我的數(shù)據(jù)只包含噪聲，但我認為可能存在某些真實的東西。如何告知我的AI?088
5.2.11 AI 很好，直到我找到了一些額外的數(shù)據(jù)；為什么數(shù)據(jù)讓情況變得更糟，而不是更好？088
5.2.12 雖然有大量數(shù)據(jù)，但我的AI 仍然學習得很艱難089
5.2.13 問題：我的AI 很奇怪090
5.2.14 一切都變糟糕了。我該怎么辦？090
5.3 結(jié)論 092
參考文獻 093
第6章 未來狀況預測：AI 推動的國防應用化學創(chuàng)新 095
6.1 引言 095
6.2 合成搜索引擎：自動化合成規(guī)劃 096
6.2.1 優(yōu)化已知路線096
6.2.2 預測反應結(jié)果097
6.2.3 執(zhí)行逆合成099
6.2.4 評估101
6.2.5 采納101
6.3 化學統(tǒng)計學習中的數(shù)據(jù)挑戰(zhàn) 102
6.3.1 數(shù)據(jù)偏向于成功的實驗102
6.3.2 現(xiàn)有數(shù)據(jù)不可靠且不規(guī)范103
6.3.3 數(shù)據(jù)只與一個狹窄的任務集合相關104
6.3.4 機器學習模型中化學數(shù)據(jù)沒有標準的表征形式105
6.4 數(shù)據(jù)挑戰(zhàn)的現(xiàn)實解決方案 107
6.4.1 實驗數(shù)據(jù)收集的自動化和標準化107
6.4.2 跨實驗室共享數(shù)據(jù)108
6.4.3 利用科學文獻中描述的實驗數(shù)據(jù)109
6.4.4 通過模擬生成數(shù)據(jù)109
6.4.5 數(shù)據(jù)生成和預測模型的閉環(huán)集成 110
6.5 自驅(qū)動實驗室的初步演示 110
6.5.1 自主研究的啟示 111
6.6 結(jié)論 112
參考文獻 113
第7章 化學合成中的機器學習 118
7.1 引言 118
7.2 化學數(shù)據(jù)的性質(zhì) 119
7.2.1 數(shù)據(jù)源 119
7.2.2 分子描述符121
7.3 機器學習方法 121
7.4 合成路線設計 124
7.4.1 逆合成127
7.4.2 反應預測129
7.4.3 優(yōu)化反應條件130
7.5 實際應用 131
7.6 結(jié)論 131
參考文獻 132
第8章 天體化學中的約束化學網(wǎng)絡 136
8.1 引言 136
8.2 化學反應數(shù)據(jù)庫的完整性和可靠性 137
8.2.1 氣相網(wǎng)絡137
8.2.2 顆粒表面網(wǎng)絡138
8.3 貝葉斯方法 138
8.4 復雜網(wǎng)絡的機器學習技術(shù) 141
8.5 結(jié)論 142
參考文獻 142
第9章 （納米） 材料- 生物界面中的機器學習 144
9.1 機器學習概述、挑戰(zhàn)和機遇 144
9.2 復雜材料中特殊問題的尺度與重要性 145
9.3 材料中的機器學習示例 146
9.4 納米材料中的機器學習示例 147
9.5 生物材料和再生醫(yī)學中的機器學習示例 151
9.6 細胞療法、生物反應器和可植入細胞的材料 154
9.7 機器學習與進化方法 154
9.8 展望 155
參考文獻 156
第10章 應用于復雜聚合過程的機器學習技術(shù) 159
10.1 化學過程建模的難點 159
10.2 自由基聚合過程的唯象學模型 160
10.3 人工神經(jīng)網(wǎng)絡在聚合過程中的應用 163
10.3.1 神經(jīng)網(wǎng)絡在聚合反應工程中的應用類型163
10.3.2 應用于聚合過程建模中的不同類型神經(jīng)網(wǎng)絡模型164
10.4 軟計算混雜配置在聚合過程的應用 167
10.5 機器學習技術(shù)在甲基丙烯酸甲酯自由基聚合中的應用 168
參考文獻 172
第11章 分子藥物發(fā)現(xiàn)中的機器學習和打分函數(shù)（SFs）：預測和表征可成藥藥物和靶標 174
11.1 引言 174
11.2 數(shù)據(jù)與方法 179
11.2.1 分子和疾病靶標的數(shù)據(jù)和可成藥性打分179
11.2.2 打分函數(shù)對分子參數(shù)（MPs） 和靶標的描述179
11.2.3 統(tǒng)計和編程方法182
11.3 結(jié)果 182
11.3.1 主成分分析（PCA） 結(jié)果182
11.3.2 機器學習分類結(jié)果185
11.4 總結(jié)與討論 187
參考文獻 190
第12章 AI 在有機材料預測中的應用 194
12.1 引言 194
12.2 從文獻中提取數(shù)據(jù) 196
12.3 構(gòu)建合成切塊數(shù)據(jù)庫 197
12.4 性質(zhì)預測 198
12.4.1 訓練數(shù)據(jù)198
12.4.2 描述符199
12.4.3 加速性質(zhì)預測201
12.5 結(jié)構(gòu)預測 201
12.6 相空間探索 203
12.7 材料合成砌塊的從頭分子設計 204
12.8 預測可合成材料 205
12.9 研究案例 206
12.9.1 有機電子材料206
12.9.2 多孔有機材料的性質(zhì)預測和相空間探索207
12.9.3 其他功能有機材料208
12.10 結(jié)論 209
參考文獻 209
第13章 數(shù)據(jù)科學驅(qū)動的無機材料發(fā)現(xiàn)新時代 216
13.1 引言 216
13.2 通過機器學習方法的材料發(fā)現(xiàn)工作流程 218
13.2.1 數(shù)據(jù)采集218
13.2.2 數(shù)據(jù)表征219
13.2.3 數(shù)據(jù)預處理220
13.2.4 模型構(gòu)建222
13.2.5 模型評估224
13.3 機器學習在無機材料中的應用 225
13.3.1 合成優(yōu)化中的機器學習225
13.3.2 結(jié)構(gòu)預測中的機器學習225
13.3.3 材料性質(zhì)預測中的機器學習227
13.4 機遇與挑戰(zhàn) 228
13.4.1 從小數(shù)據(jù)集中學習229
13.4.2 生成有效的數(shù)據(jù)表征229
13.4.3 增強模型的可解釋性229
13.4.4 增加模型的可訪問性230
13.5 結(jié)論 230
參考文獻 231
第14章 機器學習在化學工程中的應用 235
14.1 引言 235
14.2 建模與模擬 236
14.2.1 AI 在分離裝置建模與模擬中的應用236
14.2.2 AI 在反應器建模與模擬中的應用238
14.2.3 AI 在整體工廠建模與模擬中的應用238
14.2.4 AI 在能源管理建模與模擬中的應用239
14.3 控制和操作 240
14.3.1 過程控制的基本原則240
14.3.2 機器學習用于控制化學過程240
14.3.3 機器學習集成的傳統(tǒng)控制器242
14.4 預估和預測 243
14.4.1 化學工程預估器的可用AI 算法243
14.4.2 基于AI 的預估器的選擇與應用246
14.5 未來趨勢和展望 248
參考文獻 249
第15章 化學中的表征學習 257
15.1 引言 257
15.2 非學習型分子表征 258
15.2.1 分子指紋259
15.2.2 可計算的性質(zhì)260
15.3 學習表征的必要性 260
15.4 學習型分子表征 262
15.4.1 圖模型263
15.4.2 網(wǎng)格模型265
15.4.3 序列模型266
15.4.4 以物理學為靈感的架構(gòu)267
15.5 數(shù)據(jù)方面的考慮 269
15.6 挑戰(zhàn)和展望 270
15.7 結(jié)論 270
參考文獻 271
第16章 揭開人工神經(jīng)網(wǎng)絡作為新化學知識產(chǎn)生者的神秘面紗：以抗瘧藥物發(fā)現(xiàn)研究為例 274
16.1 引言 274
16.2 材料和方法 275
16.2.1 數(shù)據(jù)集和分子描述符275
16.2.2 構(gòu)建Ms-QSBER_EL 模型277
16.3 結(jié)果與討論 279
16.3.1 Ms-QSBER-EL 模型279
16.3.2 適用域280
16.3.3 從分子描述符中收集物理化學和結(jié)構(gòu)信息281
16.3.4 實際有效和安全的抗瘧化學品的計算設計284
16.3.5 類藥性289
16.4 結(jié)論 290
參考文獻 290
第17章 堆芯損耗譜的機器學習 293
17.1 引言 293
17.2 方法學 294
17.2.1 譜圖數(shù)據(jù)庫的構(gòu)建294
17.2.2 譜圖數(shù)據(jù)的聚類294
17.2.3 材料信息的決策樹295
17.2.4 前饋神經(jīng)網(wǎng)絡295
17.3 結(jié)果與討論 295
17.3.1 數(shù)據(jù)驅(qū)動的預測和解釋方法概述295
17.3.2 單金屬氧化物的O-K 邊的表征297
17.3.3 無定形SiO2 的O-K 邊的解釋和預測300
17.3.4 從ELNES/XANES 中使用機器學習方法定量結(jié)構(gòu)和性質(zhì)304
17.3.5 從噪聲譜中定量結(jié)構(gòu)和性質(zhì)306
17.4 結(jié)論 308
參考文獻 309
第18章 自主科學：大數(shù)據(jù)工具為化學中的小數(shù)據(jù)問題服務 313
18.1 引言 313
18.2 實驗的自主設計 315
18.2.1 稀疏采樣策略對“小數(shù)據(jù)” 的挑戰(zhàn)315
18.2.2 自主實驗設計的單純形方法317
18.2.3 動態(tài)采樣的插值算法318
18.2.4 一種有監(jiān)督學習的動態(tài)采樣方法318
18.2.5 用于拉曼高光譜成像和X 射線衍射成像的SLADS319
18.2.6 實驗自主設計的非迭代動態(tài)采樣321
18.2.7 主動機器學習322
18.2.8 材料合成的動態(tài)采樣323
18.2.9 自主實驗設計的模塊化架構(gòu)324
18.3 有限數(shù)據(jù)訓練的生成式對抗方法 325
18.3.1 圖像識別中的生成式對抗網(wǎng)絡326
18.3.2 對抗性攻擊的線性示例：對抗性光譜328
18.3.3 數(shù)據(jù)生成示例：生成式對抗線性分析331
18.4 結(jié)論 333
參考文獻 333
第19章 多相催化中的機器學習：從構(gòu)建到應用的全局神經(jīng)網(wǎng)絡勢 338
19.1 引言 338
19.2 方法 339
19.2.1 高維神經(jīng)網(wǎng)絡架構(gòu)339
19.2.2 結(jié)構(gòu)描述符341
19.2.3 神經(jīng)網(wǎng)絡訓練342
19.2.4 數(shù)據(jù)集生成和SSW 全局優(yōu)化342
19.2.5 自學習過程345
19.3 應用 346
19.3.1 PES 探索346
19.3.2 負載在CeO2 上的超微量金347
19.3.3 無定形TiOxHy 上的析氫反應348
19.3.4 在ZnCrO 催化劑上的合成氣轉(zhuǎn)化351
19.4 展望 353
參考文獻 354
第20章 機器學習在化學和材料中實際應用的指導性原則 357
20.1 引言 357
20.2 應用機器學習的指導性原則 359
20.3 結(jié)論與警示 367
參考文獻 369
中英文對照 371
書單推薦
