AI化学应用

前言

作为有一点化学背景的程序员，我一直对AI对化学方面的应用感到好奇，2023是AI非常热门的一年。 各种LLms的模型，和AGCs模型的应用，让人感的非常惊叹。虽然这一波热潮过后，人们会稍微理智一些看待各种模型的应用，这些模型前所未见，但也没有想象中那么强大，说是“智能”似乎还为时过早。当然，我对AI在化学的应用也很关注，但是AI在化学的应用方面还不太成熟。 我关注于AI在化学合成方面的应用。其实我一直觉得， AI对于化学合成的应用仅限于合成未知化合物或者杂质之类的化合物， 如果是已知的化合物，可以使用SciFinder或者Reaxys就可以，那里有明确的合成路线，实在没有AI的必要。

AI模型

目前用户化学方面的AI模型比较冷门，通过有监督的模型， 通常这些模型，简单点就是设计一些线性模型， 复杂一点是引入GNN模型，处理各个反应物于合成物之间的关系，最后通过一些算法，对模型预测出来的一堆路线进行筛选。

数据来源

对化学合成类的AI模型来说，数据来源一直是制约模型最后各种指标的重要原因。 因为有一些大家都知道的原因，合成路线及反应条件中经常会有遗漏一些数据使得复现变得比较困难，数据可靠性是个问号？可靠的数据，很难获取， 而且数据化过程比较繁重。

AI模型的理解

AI模型一般都会有编码和解码两个过程，在训练的过程中，AI的设计是找到数据和目标之间的高维度的关联， 虽然这种高纬度的关联，人所不能理解，但是基本的逻辑还在，就是什么样的数据，会训练出什么样的模型。

基于以上的原因， 目前， AI对化学合成的应用只是参考价值。AI会帮助设计一些合成路线，但是最终还是需要有经验的技术人员来判断选择和调整，AI也会帮助设计一些合成条件，一样需要有经验的技术人员来选择，并调整和细化过程。