正文：
在人工智能不断发展的今天，我们经常将AI视为一个难以理解的“黑匣子”。然而，伊利诺伊大学厄巴纳-香槟分校（UIUC）的一个跨学科研究团队最近成功打开了AI黑匣子，利用AI技术优化分子，同时揭示了新的化学知识，其研究成果已发表在《Nature》杂志上。
这项研究的关键在于“三段式”AI方法，该方法结合了机器学习、自动化学合成和实验验证，以优化用于收集太阳能的分子。长期以来，AI在化学领域中被用来优化分子结构，但它往往无法解释为什么某个分子是最优的，以及它的特性、结构和功能是什么。
研究团队通过将AI与实验相结合，找到了AI所依赖的化学原理，并成功开发出比现有稳定四倍的捕光分子。这一发现对于解决阻碍材料开发的化学问题具有重要意义。
以下是研究的三个关键阶段：
-
机器学习驱动的假设生成：研究团队使用贝叶斯优化（BO）来提高光稳定性，直到性能指标达到稳定状态，并利用基于物理的分子特征来生成机器学习驱动的假设。
-
假设检验：通过实验验证机器学习得出的假设，建立新的化学知识。
-
物理驱动的发现：将新的基于物理的知识应用于化学设计空间，以突破优化瓶颈。
在多轮闭环合成和实验表征中，AI算法提出了合成和探索哪些化学物质的建议。每一轮实验后，新的数据被重新纳入模型，模型再给出改进的建议，逐步接近预期的结果。研究人员在五轮闭环实验中合成了30种新的化学候选物，其中排名前五位的分子的平均光稳定性提高了500%以上。
研究结果表明，与传统的T1能量光稳定性描述符相反，高能TDOS成为整个化学空间中分子光稳定性的主要决定因素。
UIUC化学教授Nicholas Jackson表示：“通过我们的过程，我们确定了是什么赋予这些分子更高的光稳定性。我们把AI黑匣子变成了一个透明的玻璃球。”
这项研究不仅为化学领域带来了新的见解，也为AI在科学发现中的应用开辟了新的可能性。研究人员相信，这种方法可以解决其他材料系统的问题，并最终实现一个界面，让研究人员可以输入他们想要的化学功能，AI将生成假设进行测试。
参考链接：Closed-loop transfer enables artificial intelligence to yield chemical knowledge
通过这项研究，AI黑匣子的神秘面纱被揭开，AI在化学研究中的应用迈出了重要的一步。
Views: 0