图|CLT 范式。第一阶段(机器学习驱动的假设生成,绿色轨道)描述了基于 BO 的合成和表征回合,并同步使用基于物理特征的可解释机器学习。通过机器学习出现基于物理的假设后,第二阶段(假设测试,橙色轨道)实验性地测试该假设,如果得到验证,将产生新知识,这些知识在第三阶段(物理驱动的发现,红色轨道)中被用于分子优化。
在这项研究中,团队通过 CLT 的整个过程,打开了 AI 黑盒。AI 在闭环优化和知识提取方面发挥了关键作用。
此外,一个名为“RoboChem”的自主化学合成 AI 机器人,不仅在速度和准确性方面都优于人类化学家,同时还显示出了高度的独创性。RoboChem 是一个精确可靠的“AI 化学家”,不仅可以进行全天候的自主工作,快速、不知疲倦地提供实验结果,还可以迅速优化化学合成过程,进行各种反应,同时产生极少量的废物,有望大大加快用于制药和许多其他应用的分子的化学发现。
展望未来,我们有理由相信,随着 AI 技术的不断进步,它将为化学乃至整个科学领域带来更多创新与变革。