AI for Science在化学领域的实践研究

2018年，中国科学院院士鄂维南在全球首次提出“AI for Science”概念，强调利用AI学习科学原理、创造科学模型来解决实际问题，使之成为科学研究的新范式^[1]。近年来，人工智能、机器学习、深度学习等AI技术在合成化学、药物化学等领域不断产生新应用，其热度变得越来越高，有望为化学领域带来革命性的变化。AI在化学领域主要应用包括规划化学合成路线^[1]、预测溶剂分子和相应电解液性质^[2]、预测化学反应做的过渡态结构^[3]和推理密集型化学任务^[4]等。

一、规划化学合成路线

2018年3月，上海大学Mark Waller团队在《Nature》期刊上发表题为利用深度神经网络和符号AI规划化学合成”的文章^[2]。研究团队收集了截止到2014年发表过的几乎所有的化学反应，加起来大约有1250万个反应。研究团队应用深度神经网络及蒙特卡洛树算法3N-MCTS，成功地规划了新的化学合成路线。即便是权威的合成化学专家，也无法区分这款软件与人类化学家之间的区别。

二、预测溶剂分子和相应电解液性质

在能源行业，国家碳中和目标的提出对储能技术提出了更高要求。传统的锂离子电池储能技术虽仍占据主导，但其能量密度难以满足社会高速发展对能源的需求，电解液作为锂离子电池中离子传输的载体发挥着关键作用。清华大学化工系教授张强表示，人工智能技术能够加速先进电解液的设计开发与实践，传统的实验员一次往往只能做一个实验，但现在通过多次高通量的实验可以使几十乃至上百个实验通过一个样品实现。另外，传统的电解液溶剂开发效率不高，在张强团队建立了机器学习的模型后，通过训练机器学习模型来预测溶剂分子和相应电解液性质，并在实验中验证反馈机器学习模型的结果，不仅对电解的属性有了深入理解，也能利用模型预测电解液性质，为选择合适的电解液提供有效方法。该研究成果在2022年发表在《Chemical Reviews》上^[3]。

三、预测化学反应做的过渡态结构

过渡态 （Transition state，TS） 对于理解化学反应的机制和探索反应网络至关重要。尽管计算方法取得了重大进展，但由于构建初始结构的困难和高昂的计算成本，TS 搜索仍然是一个具有挑战性的问题。来自韩国科学技术信息研究院（Korea Institute of Science and Technology Information）的 Sunghwan Choi，提出了一种用于预测一般有机反应的 TS 结构的机器学习 （ML） 模型^[4]。所提出的模型从反映反应物、产物和线性插值结构的原子对特征中推导出 TS 结构的原子间距离。该模型表现出出色的准确性，特别是对于发生键形成或断裂的原子对。预测的 TS 结构在量子化学鞍点优化方面取得了很高的成功率。该研究成果在2022年发表在《Nature Communications》期刊上。

四、推理密集型化学任务

2023年4月，来自洛桑联邦理工学院（EPFL）和罗切斯特大学的研究人员开发了 ChemCrow^[5]，一种大型语言模型（LLM）化学智能体，旨在完成有机合成、药物发现和材料设计等各种任务。通过集成 13 种专家设计的工具，ChemCrow 增强了 LLM 在化学方面的表现，并出现了新的功能。该研究通过 LLM 和专家人工评估，证明了 ChemCrow 在自动化各种化学任务方面的有效性。

化学领域国内外基础科学研究所采用的典型模型（包括模型解决的问题）及其语料集见表1。     

表1 化学领域国内外基础科学研究所采用的典型模型及其语料集