Перевод искусственный интеллект. Can machines think
 Скачать 250.78 Kb.
|
|
AI IN CHEMISTRY Chemistry plays an important “central” role in other sciences164 because it is the investigation of the structure and properties of matter, and identifies the chemical reactions that convert substances into to other substances. Accordingly, chemistry is a data-rich branch of science containing complex information resulting from centuries of experiments and, more recently, decades of computational analysis. This vast treasure trove of data is most apparent within the Chemical Abstract Services, which has collected more than 183 million unique organic and inorganic substances, including alloys, coordination compounds, minerals, mixtures, polymers, and salts, and is expanding by addition of thousands of additional new substances daily.165 The unlimited complexity in the variety of material compounds explains why chemistry research is still a labor-intensive task. The level of complexity and vast amounts of data within chemistry provides a prime opportunity to achieve significant breakthroughs with the application of AI. First, the type of molecules that can be constructed from atoms are almost unlimited, which leads to unlimited chemical space166; the interconnection of these molecules with all possible combinations of factors, such as temperature, substrates, and solvents, are overwhelmingly large, giving rise to unlimited reaction space.167 Exploration of the unlimited chemical space and reaction space, and navigating to the optimum ones with the desired properties, is thus practically impossible solely from human efforts. Secondly, in chemistry, the huge assortment of molecules and the interplay of them with the external environments brings a new level of complexity, which cannot be simply predicted using physical laws. While many concepts, rules, and theories have been generalized from centuries of experience from studying trivial (i.e., single component) systems, nontrivial complexities are more likely as we discover that “more is different” in the words of Philip Warren Anderson, American physicist and Nobel Laureate.168 Nontrivial complexities will occur when the scale changes, and the breaking of symmetry in larger, increasingly complex systems, and the rules will shift from quantitative to qualitative. Due to lack of systematic and analytical theory toward the structures, properties, and transformations of macroscopic substances, chemistry research is thus, incorrectly, guided by heuristics and fragmental rules accumulated over the previous centuries, yielding progress that only proceeds through trial and error. ML will recognize patterns from large amounts of data; thereby offering an unprecedented way of dealing with complexity, and reshaping chemistry research by revolutionizing the way in which data are used. Every sub-field of chemistry, currently, has utilized some form of AI, including tools for chemistry research and data generation, such as analytical chemistry and computational chemistry, as well as application to organic chemistry, catalysis, and medical chemistry, which we discuss herein. | ИИ В ХИМИИ Химия играет важную «центральную» роль в других науках164, потому что она исследует структуру и свойства вещества и идентифицирует химические реакции, которые превращают вещества в другие вещества. Соответственно, химия является богатой данными отраслью науки, содержащей сложную информацию, полученную в результате многовековых экспериментов и, в последнее время, десятилетий вычислительного анализа. Эта обширная сокровищница данных наиболее очевидна в Chemical Abstract Services, которая собрала более 183 миллионов уникальных органических и неорганических веществ, включая сплавы, координационные соединения, минералы, смеси, полимеры и соли, и расширяется за счет добавления тысяч дополнительных новых веществ ежедневно.165 Неограниченная сложность в разнообразии соединений материалов объясняет, почему химические исследования по-прежнему являются трудоемкой задачей. Уровень сложности и огромные объемы данных в химии предоставляют прекрасную возможность для достижения значительных прорывов с применением ИИ. Во-первых, тип молекул, которые могут быть построены из атомов, практически неограничен, что приводит к неограниченному химическому пространству166; взаимосвязь этих молекул со всеми возможными комбинациями факторов, таких как температура, субстраты и растворители, чрезвычайно велика, что приводит к неограниченному реакционному пространству.167 Исследование неограниченного химического пространства и реакционного пространства и переход к оптимальным с желаемыми свойствами, таким образом, практически невозможно исключительно от человеческих усилий. Во-вторых, в химии огромный ассортимент молекул и взаимодействие их с внешней средой приносит новый уровень сложности, который нельзя просто предсказать с помощью физических законов. В то время как многие концепции, правила и теории были обобщены из многовекового опыта изучения тривиальных (то есть однокомпонентных) систем, нетривиальные сложности более вероятны, поскольку мы обнаруживаем, что «больше отличается», по словам Филипа Уоррена Андерсона, американского физика и лауреата Нобелевской премии.168 Нетривиальные сложности возникнут, когда масштаб изменится, и нарушение симметрии в большем, Системы становятся все более сложными, и правила будут смещаться от количественных к качественным. Из-за отсутствия систематической и аналитической теории в отношении структур, свойств и превращений макроскопических веществ химические исследования, таким образом, неправильно руководствуются эвристикой и фрагментарными правилами, накопленными за предыдущие столетия, что дает прогресс, который происходит только методом проб и ошибок. ML будет распознавать шаблоны из больших объемов данных; тем самым предлагая беспрецедентный способ борьбы со сложностью и изменяя химические исследования, революционизируя способ использования данных. Каждая подобласть химии в настоящее время использует некоторую форму ИИ, включая инструменты для химических исследований и генерации данных, такие как аналитическая химия и вычислительная химия, а также применение к органической химии, катализу и медицинской химии, которые мы обсуждаем здесь. |
| AI breaks the limitations of manual feature selection methods In analytical chemistry, the extraction of information has traditionally relied heavily on the feature selection techniques, which are based on prior human experiences. Unfortunately, this approach is inefficient, incomplete, and often biased. Automated data analysis based on AI will break the limitations of manual variable selection methods by learning from large amounts of data. Feature selection through DL algorithms enables information extraction from the datasets in NMR, chromatography, spectroscopy, and other analytical tools,169 thereby improving the model prediction accuracy for analysis. These ML approaches will greatly accelerate the analysis of materials, leading to the rapid discovery of new molecules or materials. Raman scattering, for instance, since its discovery in the 1920s, has been widely employed as a powerful vibrational spectroscopy technology, capable of providing vibrational fingerprints intrinsic to analytes, thus enabling identification of molecules.170 Recently, ML methods have been trained to recognize features in Raman (or SERS) spectra for the identity of an analyte by applying DL networks, including ANN, CNN, and fully convolutional network for feature engineering.171 For example, Leong et al. designed a machine-learning-driven “SERS taster” to simultaneously harness useful vibrational information from multiple receptors for enhanced multiplex profiling of five wine flavor molecules at ppm levels. Principal-component analysis is employed for the discrimination of alcohols with varying degrees of substitution, and supported with vector machine discriminant analysis, is used to quantitatively classify all flavors with 100% accuracy.172 Overall, AI techniques provide the first glimmer of hope for a universal method for spectral data analysis, which is fast, accurate, objective and definitive and with attractive advantages in a wide range of applications. | ИИ нарушает ограничения ручных методов выбора функций В аналитической химии извлечение информации традиционно в значительной степени опирается на методы выбора признаков, которые основаны на предыдущем человеческом опыте. К сожалению, такой подход неэффективен, неполный и часто предвзятый. Автоматизированный анализ данных на основе ИИ позволит преодолеть ограничения ручных методов выбора переменных, обучаясь на больших объемах данных. Выбор признаков с помощью алгоритмов DL позволяет извлекать информацию из наборов данных в ЯМР, хроматографии, спектроскопии и других аналитических инструментах169, тем самым повышая точность прогнозирования модели для анализа. Эти подходы ML значительно ускорят анализ материалов, что приведет к быстрому открытию новых молекул или материалов. Например, рамановское рассеяние с момента его открытия в 1920-х годах широко используется в качестве мощной технологии вибрационной спектроскопии, способной обеспечить вибрационные отпечатки пальцев, присущие аналитам, что позволяет идентифицировать молекулы.170 В последнее время методы ML были обучены распознавать особенности в спектрах рамановского (или SERS) для идентификации анализируемого вещества путем применения сетей DL, включая ANN, CNN и полностью сверточную сеть для разработки функций.171 Например, Леонг и др. разработали управляемый машинным обучением «дегустатор SERS» для одновременного использования полезной вибрационной информации от нескольких рецепторов для улучшенного мультиплексного профилирования пяти молекул винного аромата на уровнях ppm. Принципиально-компонентный анализ используется для различения спиртов с различной степенью замещения и, поддерживаемый векторным машинным дискриминантным анализом, используется для количественной классификации всех вкусов со 100% точностью.172 В целом, методы ИИ обеспечивают первый проблеск надежды на универсальный метод анализа спектральных данных, который является быстрым, точным, объективным и окончательным и с привлекательными преимуществами в широком спектре применений. |
| AI improves the accuracy and efficiency for various levels of computational theory Complementary to analytical tools, computational chemistry has proven a powerful approach for using simulations to understand chemical properties; however, it is faced with an accuracy-versus-efficiency dilemma. This dilemma greatly limits the application of computational chemistry to realworld chemistry problems. To overcome this dilemma, ML and other AI methods are being applied to improve the accuracy and efficiency for various levels of theory used to describe the effects arising at different time and length scales, in the multi-scaling of chemical reactions.173 Many of the open challenges in computational chemistry can be solved by ML approaches, for example, solving Schrödinger’s equation,174 developing atomistic175 or coarse graining176 potentials, constructing reaction coordinates,177 developing reaction kinetics models,178 and identifying key descriptors for computable properties.179 In addition to analytical chemistry and computational chemistry, several disciplines of chemistry have incorporated AI technology to chemical problems. We discuss the areas of organic chemistry, catalysis, and medical chemistry as examples of where ML has made a significant impact. Many examples exist in literature for other subfields of chemistry and AI will continue to demonstrate breakthroughs in a wide range of chemical applications. | ИИ повышает точность и эффективность для различных уровней вычислительной теории В дополнение к аналитическим инструментам, вычислительная химия доказала мощный подход к использованию моделирования для понимания химических свойств; однако он сталкивается с дилеммой точности и эффективности. Эта дилемма значительно ограничивает применение вычислительной химии к проблемам химии реального мира. Чтобы преодолеть эту дилемму, ML и другие методы ИИ применяются для повышения точности и эффективности для различных уровней теории, используемых для описания эффектов, возникающих в разных временных и длительных масштабах, при многомасштабировании химических реакций.173 Многие из открытых проблем в вычислительной химии могут быть решены подходами ML, например, решение уравнения Шредингера,174 разработка атомистических175 или крупнозернистых потенциалов176, построение координат реакции177 разработка моделей кинетики реакции178 и определение ключевых дескрипторов для вычислимых свойств.179 В дополнение к аналитической химии и вычислительной химии, несколько химических дисциплин включили технологию ИИ в химические задачи. Мы обсуждаем области органической химии, катализа и медицинской химии в качестве примеров того, где ML оказал значительное влияние. В литературе существует много примеров для других подобластей химии, и ИИ будет продолжать демонстрировать прорывы в широком спектре химических применений. |
| AI enables robotics capable of automating the synthesis of molecules Organic chemistry studies the structure, property, and reaction of carbon-based molecules. The complexity of the chemical and reaction space, for a given property, presents an unlimited number of potential molecules that can be synthesized by chemists. Further complications are added when faced with the problems of how to synthesize a particular molecule, given that the process relies much on heuristics and laborious testing. Challenges have been addressed by researchers using AI. Given enough data, any properties of interest of a molecule can be predicted by mapping the molecular structure to the corresponding property using supervised learning, without resorting to physical laws. In addition to known molecules, new molecules can be designed by sampling the chemical space180 using methods, such as autoencoders and CNNs, with the molecules coded as sequences or graphs. Retrosynthesis, the planning of synthetic routes, which was once considered an art, has now become much simpler with the help of ML algorithms. The Chemetica system,181 for instance, is now capable of autonomous planning of synthetic routes that are subsequently proven to work in the laboratory. Once target molecules and the route of synthesis are determined, suitable reaction conditions can be predicted or optimized using ML techniques.182 The integration of these AI-based approaches with robotics has enabled fully AI-guided robotics capable of automating the synthesis of small organic molecules without human intervention Figure 9. 183,184 | ИИ позволяет робототехнику автоматизировать синтез молекул Органическая химия изучает структуру, свойство и реакцию молекул на основе углерода. Сложность химического и реакционного пространства, для данного свойства, представляет собой неограниченное количество потенциальных молекул, которые могут быть синтезированы химиками. Дальнейшие осложнения добавляются, когда вы сталкиваетесь с проблемами того, как синтезировать конкретную молекулу, учитывая, что процесс во многом зависит от эвристики и трудоемкого тестирования. Проблемы были решены исследователями с использованием ИИ. При наличии достаточного количества данных любые свойства, представляющие интерес для молекулы, могут быть предсказаны путем сопоставления молекулярной структуры с соответствующим свойством с помощью контролируемого обучения, не прибегая к физическим законам. В дополнение к известным молекулам, новые молекулы могут быть спроектированы путем отбора проб химического пространства180 с использованием методов, таких как автоэнкодеры и CNN, с молекулами, закодированными в виде последовательностей или графиков. Ретросинтез, планирование синтетических маршрутов, которое когда-то считалось искусством, теперь стало намного проще с помощью алгоритмов ML. Например, система Chemetica,181 теперь способна к автономному планированию синтетических маршрутов, которые впоследствии доказали свою эффективность в лаборатории. Как только молекулы-мишени и маршрут синтеза определены, подходящие условия реакции могут быть предсказаны или оптимизированы с использованием методов ML.182 Интеграция этих подходов на основе ИИ с робототехникой позволила полностью управляемой ИИ робототехнике автоматизировать синтез малых органических молекул без вмешательства человека Рисунок 9. 183 184 грн. |
| AI helps to search through vast catalyst design spaces Catalytic chemistry originates from catalyst technologies in the chemical industry for efficient and sustainable production of chemicals and fuels. Thus far, it is still a challenging endeavor to make novel heterogeneous catalysts with good performance (i.e., stable, active, and selective) because a catalyst’s performance depends on many properties: composition, support, surface termination, particle size, particle morphology, atomic coordination environment, porous structure, and reactor during the reaction. The inherent complexity of catalysis makes discovering and developing catalysts with desired properties more dependent on intuition and experiment, which is costly and time consuming. AI technologies, such as ML, when combined with experimental and in silico high-throughput screening of combinatorial catalyst libraries, can aid catalyst discovery by helping to search through vast design spaces. With a well-defined structure and standardized data, including reaction results and in situ characterization results, the complex association between catalytic structure and catalytic performance will be revealed by AI.185,186 An accurate descriptor of the effect of molecules, molecular aggregation states, and molecular transport, on catalysts, could also be predicted. With this approach, researchers can build virtual laboratories to develop new catalysts and catalytic processes. | ИИ помогает искать в обширных пространствах проектирования катализаторов Каталитическая химия берет свое начало из каталитических технологий в химической промышленности для эффективного и устойчивого производства химических веществ и топлива. До сих пор это все еще сложная попытка создать новые гетерогенные катализаторы с хорошей производительностью (т. Е. Стабильные, активные и селективные), потому что производительность катализатора зависит от многих свойств: состав, поддержка, окончание поверхности, размер частиц, морфология частиц, атомная координационная среда, пористая структура и реактор во время реакции. Сложность, присущая катализу, делает открытие и разработку катализаторов с желаемыми свойствами более зависимыми от интуиции и эксперимента, что является дорогостоящим и трудоемким. Технологии ИИ, такие как ML, в сочетании с экспериментальным и in silico высокопроизводительным скринингом комбинаторных библиотек катализаторов, могут помочь в обнаружении катализаторов, помогая искать в обширных пространствах проектирования. Благодаря четко определенной структуре и стандартизированным данным, включая результаты реакций и результаты характеристик in situ, сложная связь между каталитической структурой и каталитическими характеристиками будет выявлена с помощью AI.185,186 Точный дескриптор влияния молекул, состояний молекулярной агрегации и молекулярного переноса на катализаторы также может быть предсказан. При таком подходе исследователи могут создавать виртуальные лаборатории для разработки новых катализаторов и каталитических процессов. |
| AI enables screening of chemicals in toxicology with minimum ethical concerns A more complicated sub-field of chemistry is medical chemistry, which is a challenging field due to the complex interactions between the exotic substances and the inherent chemistry within a living system. Toxicology, for instance, as a broad field, seeks to predict and eliminate substances (e.g., pharmaceuticals, natural products, food products, and environmental substances), which may cause harm to a living organism. Living organisms are already complex, nearly any known substance can cause toxicity at a high enough exposure because of the already inherent complexity within living organisms. Moreover, toxicity is dependent on an array of other factors, including organism size, species, age, sex, genetics, diet, combination with other chemicals, overall health, and/or environmental context. Given the scale and complexity of toxicity problems, AI is likely to be the only realistic approach to meet regulatory body requirements for screening, prioritization, and risk assessment of chemicals (including mixtures), therefore revolutionizing the landscape in toxicology.187 In summary, AI is turning chemistry from a labor-intensive branch of science to a highly intelligent, standardized, and automated field, and much more can be achieved compared with the limitation of human labor. Underlying knowledge with new concepts, rules, and theories is expected to advance with the application of AI algorithms. A large portion of new chemistry knowledge leading to significant breakthroughs is expected to be generated from AI-based chemistry research in the decades to come. | ИИ позволяет проводить скрининг химических веществ в токсикологии с минимальными этическими проблемами Более сложной подобластью химии является медицинская химия, которая является сложной областью из-за сложных взаимодействий между экзотическими веществами и присущей химии в живой системе. Токсикология, например, как широкая область, стремится предсказать и устранить вещества (например, фармацевтические препараты, натуральные продукты, пищевые продукты и вещества окружающей среды), которые могут нанести вред живому организму. Живые организмы уже сложны, почти любое известное вещество может вызвать токсичность при достаточно высоком воздействии из-за уже присущей живым организмам сложности. Кроме того, токсичность зависит от множества других факторов, включая размер организма, вид, возраст, пол, генетику, диету, сочетание с другими химическими веществами, общее состояние здоровья и / или экологический контекст. Учитывая масштаб и сложность проблем токсичности, ИИ, вероятно, будет единственным реалистичным подходом к выполнению требований регулирующих органов к скринингу, приоритизации и оценке риска химических веществ (включая смеси), поэтому революционизирует ландшафт в токсикологии.187 Таким образом, ИИ превращает химию из трудоемкой отрасли науки в высокоинтеллектуальную, стандартизированную и автоматизированную область. и гораздо большего можно достичь по сравнению с ограничением человеческого труда. Ожидается, что базовые знания с новыми концепциями, правилами и теориями будут развиваться с применением алгоритмов ИИ. Ожидается, что большая часть новых химических знаний, ведущих к значительным прорывам, будет получена из химических исследований на основе ИИ в ближайшие десятилетия. |