在製造新藥物時，預測某些化學品如何一起反應是困難的。現在，人工智能可以準確建模這些反應。
預測反應
在實驗室混合化學品並不像在電視上看起來那麼容易。研究人員不能將所有東西都倒入一個燒杯中，並希望獲得最佳效果。開發一種新的化合物，比如說一種新藥，要獲得最高產量，需要化學藥品的最佳組合。
雖然找到理想的混合物不是一件容易的事，但由普林斯頓大學和默克研究實驗室的研究人員設計的人工智能（AI）也許能夠提供幫助。根據科學雜誌上發表的研究，該團隊的機器學習算法可以準確預測化學反應產量。
普林斯頓大學研究人員JesúsEstrada在一篇新聞稿中表示：“許多機器學習算法已經存在了相當長的一段時間。“然而，在合成有機化學領域，我們還沒有找到機器學習提供的令人興奮的機會。”
當分析不同反應的結果時，化學家通常會一次更改一個變量。因此，團隊的算法——可以在同時修改四個不同組件的同時預測結果，這代表著巨大的飛躍。
機器學習改進
多維模型的最大障礙之一，即團隊的新AI使用的種類，正在計算每種化學品的“描述符”。描述符是一個輸入值，它表示每種化學物質的信息——它具有多少鍵，分子量，它看起來像什麼的幾何形狀，並且計算每個描述符是非常耗時的。
研究人員知道，逐個計算每個描述符對於他們想要使用的大量化學組合來說是不切實際的。所以他們使用了一個基於現有程序Spartan的代碼來計算並提取每種化學品的描述符。
隨著手上的描述符，研究人員隨後用各種模型對其進行測試。他們決定使用所謂的“隨機森林”模型的機器學習程序，該模型通過使用來自小數據集的隨機樣本來構建決策樹。通過對每棵樹預測的給定反應的產量結果計算平均值，該模型會得出總體產量預測。
此外，研究人員Derek Ahneman解釋說，隨機森林可以準確預測僅有一百次反應結果的反應產率。它甚至可以預測最初未包含在訓練集中的化合物的產量。
簡而言之，機器學習算法能夠處理普通化學家無法處理的數據。
根據多伊爾的說法，大量資源和時間都用於製造合成分子，而這些分子常常是以特別的方式進行的。AI可以改變這一點。使用這種新軟件，化學家可以比以往更便宜、更高效地確定化學品和底物的高產組合。
閱讀更多 360度科技 的文章
