近几年来，东谈主工智能（AI）正在透彻改变每个东谈主的生活，科学考虑界限亦然如斯。如今，AI依然浸透到化学考虑的方方面面，致使正在颠覆通盘界限。有机合成大概是最早“腐朽”的，在2018年，Nature 杂志就报谈了AI通过深度学习粗陋1250万个化学反馈后，能够在短短5秒内诡计出新的合成旅途（点击阅读精致）[1]。两年后，复杂自然家具的逆合要素析AI也在Nature 杂志亮相，它所想象的道路与训诲丰富的化学家想象的道路险些莫得离别（点击阅读精致）[2]。这么的报谈还有许多……

图片

成人动漫有哪些东谈主工智能在化学等考虑界限的应用。图片起原：arXiv [3]计较化学更是AI大展拳脚的舞台，TSGen [4]、TSNet [5]等多个模子被开荒，用来展望化学反馈中的过渡态结构，韩国科学时期信息考虑院Sunghwan Choi于2023年进一步将展望得胜率提高至93.8% [6]。生命科学界限，像AlphaFold [7]、RoseTTAFold [8]和ESMFold [9]这么的AI，依然不错准确展望卵白质的3D结构，成果准确度与实验测试不相高下。

图片

化学反馈过渡态暗示图。图片起原：MIT [10]材料科学界限，谷歌DeepMind的AI器具GNoME得胜展望出220万种晶体结构，在学术界掀翻波翻浪涌（点击阅读精致） [11]。最近，微软公司推出的MatterGen，则大大擢升了实验想象所需特色材料的速率 [12]。加州大学伯克利分校开荒的A-Lab系统不错快速、准确地合成计算化合物，将展望成果转换为现实（点击阅读精致）[13]。

图片

MatterGen生成适合对称性条目的富厚新材料。图片起原：arXiv [12]家喻户晓，化学（Chemistry = Chem is try）是一门以实验为基础的学科，但作念实验也难不住AI机器东谈主。早在2020年，Nature 和Science 杂志折柳报谈了会作念实验（点击阅读精致）以及会看文件的AI系统（点击阅读精致）[14，15]，化学家无需编程学问，使用当然讲话就可修改自动识别的合成门径。洛桑联邦理工学院和罗切斯特大学的考虑团队最近也开荒出一款名为“ChemCrow”的器具，不错完成从诡计合成道路、操作合成反馈到自动化分析成果等一系列任务 [16]。在这些进展的鼓励下，AI依然初始通过前所未有的形势鼓励当然科学的发展，变成了一个被称为AI科学（AI for science）的新考虑界限。

图片

会作念实验的机器东谈主。图片起原：Nature [14]面前，大火的ChatGPT这类大讲话模子（LLM）又在科学界限激发新一轮的AI应用上升。近日，好意思国卡内基梅隆大学的Gabe Gomes助理表现团队在Nature 杂志上发表论文，将实验室自动化时期与弘大的大讲话模子相汇注，开荒出一款基于多种算法的Coscientist系统。这款由GPT（Generative Pre-trained Transformer）驱动的“机器东谈主化学家”能够从浏览互联网和征集文件初始，完成自主想象、诡计和推行复杂的科学实验，并分析和优化实验成果。让咱们望望，这款AI机器东谈主是如安在实验室“搬砖”的！Coscientist系统中，主模块（'Planner’）界面基于GPT-4，使用者只需通过当然讲话就不错和它进行疏通，充任助手的扮装。它再通过Python 讲话推行代码，与其他模块互动，不休用户冷落的复杂问题。论文中列举了6项Coscientist系统不错达成的任务，简便回来如下：（1）上网诡计合成道路，（2）搜索整理文件，（3）云实验室指示，（4）精准限度加样，（5）完成复杂合成，（6）成果分析优化。才能是不是和真东谈主差未几？

图片

Coscientist系统架构。图片起原：Nature咱们都知谈，来自互联网的搜索成果，随机并不准确。考虑者将布洛芬、阿司匹林、对硝基苯胺等预期家具提供给系统，让AI自行上网搜索，并判断合理的合成道路。最终，GPT-4给出的成果发扬最好，不但能提供更多的实验细节，还不错摒弃一些无理谜底。比如，对硝基苯胺的合成，径直硝化会导致氨基氧化，是以反馈前必须先进行氨基保护（听起来像一都法度的基础有机化学考核题……），GPT-4模子给出了合理的道路，简便说，这题它答对了。

图片

Coscientist系统诡计合成道路。图片起原：NatureCoscientist系统还会“看文件”，能够从海量的尊府中，寻找到灵验的舛误文档，并汇注其他性能参数，聘用合适的实验诡计。

图片

文件搜索概览。图片起原：Nature在文件的诱骗下，就能够顺利进行实验了。通过向96孔细胞培养板中滴加液体，机器东谈主展现出富厚的“手法”，确认机械操作的高度准确性。随后，为了证明系统不错完成复杂实验，考虑者让AI机器东谈主孤苦推行Suzuki偶联反馈，此前Coscientist系统并未曾试过这类反馈。

图片

机器东谈主对液体加样的限度才能。图片起原：Nature从搜索正确的底物和反馈条目初始，全程不需要东谈主类化学家维护决议。在不到四分钟的时候内，Coscientist系统应用实验室化学品完成了所需的反馈。最终成果，气相色谱-质谱连用显露，计算家具依然取得。兴致兴致的是，在编写限度加热和振动液体样本的树立代码时，AI机器东谈主犯了一个无理。在莫得东谈主类化学家教唆的情况下，Coscientist 系统发现了问题，果然在查阅树立的时期手册后我方改造了代码，然后再次尝试。

图片

Coscientist系统想象并完成偶联反馈实验。图片起原：Nature你认为作念到这里就够了么？没那么简便！Coscientist系统进一步展示出弘大的学习才能，还不错通过对反馈条目、物理参数和家具的评估，分析实验成果，并尝试优化反馈进程，提高反馈产率。

图片

优化实验成果。图片起原：Nature“当我看到一个AI系统能够自主诡计、想象和推行东谈主类才能完成的化学实验时，真令东谈主惊羡，Coscientist不错完成大多量经过邃密培训的化学家能够完成的任务”，不外Gabe Gomes表现也显露，“咱们并没灵验AI取代东谈主额外糊口、灵感、转变和能源的思法”[17]。

图片

Coscientist系统生成的代码，从门径界说到推行反馈、关闭模块。图片起原：Nature不得不叹气，AI机器东谈主依然要成精了。临了的临了，如若有一个能替我讲组会的AI机器东谈主，我简直会谢！不说了，这就去透彻躺平了……原文（扫描或长按二维码，识别后直达原文页面）：Autonomous chemical research with large language modelsDaniil A. Boiko， Robert MacKnight， Ben Kline & Gabe Gomes Nature， 2023， 624， 570-578. DOI: 10.1038/s41586-023-06792-0参考文件：[1] M. H. S. Segler， et al.， Planning chemical syntheses with deep neural networks and symbolic AI. Nature 2018， 555， 604-610. DOI: 10.1038/nature25978[2] B. Mikulak-Klucznik， et al.， Computational planning of the synthesis of complex natural products. Nature 2020， 588， 83-88. DOI: 10.1038/s41586-020-2855-y[3] X. Zhang， et al.， Artificial Intelligence for Science in Quantum， Atomistic， and Continuum Systems. 2023， arXiv:2307.08423 [4] L. Pattanaik， et al.， Generating transition states of isomerization reactions with deep learning. Phys. Chem. Chem. Phys. 2020， 22， 23618-23626. DOI: 10.1039/D0CP04670A[5] R. Jackson， et al.， TSNet: predicting transition state structures with tensor field networks and transfer learning. Chem. Sci. 2021， 12， 10022-10040. DOI: 10.1039/D1SC01206A[6] S. Choi， Prediction of transition state structures of gas-phase chemical reactions via machine learning. Nat. Commun. 2023， 14， 1168. DOI: 10.1038/s41467-023-36823-3[7] J. Jumper， et al.， Highly accurate protein structure prediction with AlphaFold. Nature 2021， 596， 583-589. DOI: 10.1038/s41586-021-03819-2[8] M. Baek， et al.， Accurate prediction of protein–nucleic acid complexes using RoseTTAFoldNA. Nat. Methods 2023， DOI: 10.1038/s41592-023-02086-5[9] Z. Lin， et al.， Evolutionary-scale prediction of atomic-level protein structure with a language model. Science 2023， 379， 1123-1130. DOI: 10.1126/science.ade2574[10] Computational model captures the elusive transition states of chemical reactionshttps://news.mit.edu/2023/computational-model-captures-elusive-transition-states-1215[11] A. Merchant， et. al.， Scaling deep learning for materials discovery. Nature 2023， 624， 80-85.DOI: 10.1038/s41586-023-06735-9[12] C. Zeni， et. al.， MatterGen: a generative model for inorganic materials design. 2023，arXiv:2312.03687[13] N. J. Szymanski， et. al.， An autonomous laboratory for the accelerated synthesis of novel materials. Nature 2023， 624， 86-91. DOI: 10.1038/s41586-023-06734-w [14] B. Burger， et. al.， A mobile robotic chemist. Nature 2020， 583， 237-241. DOI: 10.1038/s41586-020-2442-2[15] S. Hessam， A universal system for digitization and automatic execution of the chemical synthesis literature. Science 2020， 370， 101-108. DOI: 10.1126/science.abc2986[16] A. M. Bran， ChemCrow: Augmenting large-language models with chemistry tools. 2023， arXiv:2304.05376[17] Nature News: This GPT-powered robot chemist designs reactions and makes drugs — on its own. https://www.nature.com/articles/d41586-023-04073-4（本文由小希供稿）

本站仅提供存储干事，悉数实践均由用户发布，如发现存害或侵权实践，请点击举报。